DFN

针对语义分割的类内不一致、类间不区分的情况，DFN 设计两个子网络分别 Smooth Network 和 Border Network 缓解该问题

什么是 DFN？

• 
• 本文提出一个全新的判别特征网络 (DFN) 以学习特征表示，DFN 有两个组件：Smooth Network 和 Border Network
• Smooth Network 用来解决类内不一致问题：需要多尺度和全局语境特征来编码局部和全局信息，引入多尺度语境信息后，对于一定尺度的物体来说，大量的特征具有不同程度的判别力，其中一些特征可能导致预测错误。因此，有必要选择高效的判别特征
• Border Network 负责区分外观相似但标签不同的相邻图像块：明确地使用语义边界指导特征的学习非常重要。这可以迫使网络增强两边特征的判别性，把语义边界 loss 整合进 Border Network 以学习更有判别性的特征，增大类间差别

DFN 的网络结构？

• 
• 平滑网络：用了 global pool 以及通道注意力模块 CAB 和精细化残差块 RRB
• 边界网络：用语义边界监督，网络获得更为精准的边界，得到的 mask 也更具区分度
• 整体网络：用 deep supervision 对每一层的结果进行上采样计算损失，除了全局池化层，平滑网络用 softmax，边界网络用 focal loss，最后两个加起来用一个平衡参数 $L=L(s)+a\times L(b)$

DFN 的通道注意力模块 (CAB)?

• 
• 在 [[FCN]] 架构中，卷积算子输出了一个 score map，给出每个像素在每一类别上的概率。这种方式实际意味着不同通道的权重是平等的
• 然而，不同阶段的特征判别力不同，造成预测的一致性各不相同。为实现类内一致预测，应该提取判别特征，并抑制非判别特征，从而可以逐阶段地获取判别特征以实现预测类内一致

DFN 的精细化残差块 RRB？

• 
• 模块整合通道信息，强化每一阶段的识别能力