项目原因，从事过高像素精度的前景语义分割算法的研发，实际验证后细粒度最好的算法为PSPnet，其他还尝试了deeplabv3+，DAnet，DASSP，想要训练像素精度极高的分割网络需要大量tricks，有兴趣的同学可以私聊讨论。
基于对现有项目精度进一步迭代的想法，关注到了CVPR2020的CascadePSP，该算法级联于常规分割算法之后，可以对PSPnet分割结果做进一步finer，算法原理直接上图
算法原理很清晰，主体backbone以及head和pspnet一致，Resnet连接一个金字塔池化头，该算法相比于常规PSPnet的改进在于两部分
1.输入不再只是原始RGB图片，而是额外融合3张分割结果，输出不再是单尺度的结果，而是分阶段输出3种尺度的结果
2.级联，该算法使用一个网络并复用不同阶段的结果作为输入实现级联，以三阶段前向为例做说明，
第一阶段，输入为RGB原图+PSPnet网络输出结果*3（该算法不足之处在于，不是end2end的，需要提前有一个训练好的分割网络），输出OS8
第二阶段，输入RGB原图+PSPnet网络输出+OS8上采样*2，输出OS4
第三阶段，输入RGB原图+PSPnet网络输出+OS8上采样+OS4上采样，输出最终结果OS1
使用一个网络实现级联想法还是挺巧妙的，网络的loss有四部分组成，看到如此复杂的loss fun，我内心也是嘿嘿一笑，说明作者也是踩过坑的人，还是那句话，想要训练高像素精度的分割网络需要tricks
该算法不足之处上述已经提到无法end2end，当然单纯训练Cascadepsp是可以end2end的，不过对于论文的训练方法，我还是略感不妥，想要业界实际使用估计还要进一步微调
引用：CascadePSP: Toward Class-Agnostic and Very High-Resolution Segmentation via Global and Local Refinement
代码链接： https://github.com/hkchengrex/CascadePSP