Abstract:
当前大部分的语义分割方法关注精度，而不是效率。本文提出了一种更有 efficient 的神经网络结构，有更少的参数。模型是基于 Resnet 的不对称编解码结构。 在编码器的第一阶段，使用 continuous factorized block 提取 low-level features。 第二阶段使用连续的 dilated block，确保模型有更大的感受野，保持模型 small-scale and shallow。
The parametersof our model are only 0.2M , 100× less than those of otherssuch as SegNet, etc.
Network
原文对于Initial Block 描述：
On the one hand, the initial block uses the convolution filter to obtain the features.On the other hand, the maxpooling reserves the original information and helps to train faster.
连续的空洞卷积CDB 使模型可能看起来更宽，这将导致一些更小和更薄的类，如标识，栅栏和杆，很难分割，但在一些更大的类，如道路，天空和树，表现得更好。
连续的分离模块CFB It greatly reduces the number of parameters and speeds up the training. （不对称卷积）
down-sampling block 和 up-sampling block
