ShelfNet

本文通过类似 FPN 的思路去组合多尺度调整，然后通过跳跃连接，解决深层网络带来的梯度消失问题。是一篇技巧很低的论文，单纯地组合现有网络架构完成模型设计，没有其他创新，指出了自己设计的网络具有梯度多路径，但是没有具体分析多路径是否有用？多路径对什么类型的目标有效？

什么是 ShelfNet？

• 
• 绝大多数 SOTA 的 Model 都是基于 "single encoder-decoder" 结构，image 经过下采样再上采样。ShelfNet 采用了一种特殊的架构，Backbone 不同阶段编码的 multi-scale 特征被送入 "Segmentation Shelf"，“Shelf"由多个’‘encoder-decoder’' 对组成，在不同的空间分辨率分支上使用了"skip-connection”，这种独特的结构增加了网络内部的路径数量，以此来改善网络中的信息流动，从而提高了分割精度

ShelfNet 的网络结构？

• 
• ShelfNet 依附于 Backbone (ResNet/Xception/DenseNet 等)，行 A-D 分别表示不同尺度的特征图输出，它们会被送入’Segmentation Shelf’中。Segmentation Shelf 是一个 Shelf 形状的多列 (1-4) 结构，col. 3 为 encoder (下采样)，col2 和 col4 为 decoder (上采样)，在相邻列 (例如 3 和 4) 之间，在不同的空间尺度阶段 (A-D) 使用 "skip-connection"

ShelfNet 与 FCN 的差异？

• 
• 类似 ResNet 可以看做是一些浅层网络的 ensemble，ShelfNet 可以视为 FCNs 的 ensemble。不同颜色代表的信息流动路径，其中每一条路径都可以被看做一个 [[FCN]] 的变种，所以 ShelfNet 有能力去捕捉更复杂的特征并得到更高的精度