Efficient Segmentation: Learning Downsampling Near Semantic Boundaries学习语义分割边界附近的下采样

Abstract：
为提高语义分割执行速度，会损失一些小物体，降低准确率。提出了新的自适应内容下采样技术（content-adaptive downsampling technique） 学习目标边界附近的采样位置。有利于提升分割边界质量和smaller-size object。
Introduction

non-uniform downsampl不均匀采样
提出的content-adaptive sampling的语义分割体系，分为3部分：1.non-uniform downsampling block训练目标类语义边界附近的采样像素。2.下采样分割模型：现存的分割模型。3.对分割结果上采样生成原始分辨率的分割图。

训练一个小型辅助网络预测sampling tensor without boundaries。辅助网络：两个Unet子网络堆叠，子网络堆叠动机是：模拟边界计算和采样点选择的连续过程（所以到底是？？？）

非均匀下采样模块的结构：

几个分割数据集：ApolloScapes [22], CityScapes [19], Synthia [45]
and Supervisely (person segmentation) [two labels: person and background] datasets.

问题：不知道自适应是如何实现的？