模型backbone：模型的backbone相比于分类架构是精心设计的，有点类似于densenet。
模型整体框架：
1：decoder整体设计部分，在stage5之后，使用一个全局平均池化去提供全局上下文信息，将最后一层的输出和stage4，5的输出结合起来，其中每两层使用Bisenet中的ARM模块。最后使用一个FFM模块融合stage3的空间信息并输出语义分割图。
encoder的stage3有丰富的细节信息，经过ARM后的decoder信息有丰富的上下文信息。:
2：seg head由3x3和1x1卷积组成。
3：低层特征的细节引导
下面的(b)图作为空间分支的可视化，可以编码更多的空间特征比如边界和拐角。因此作者提出细节引导模块，引导低层特征即stage3学习更多的空间信息。
作者对分割的GT进行拉普拉斯卷积处理，产生了细节GT。作者在stage3处插入了detail head，生成的细节图和细节GT进行损失计算，反向传播时更新detail head的参数，使其专注于细节的提取。
细节GT的产生：使用拉普拉斯卷积核对分割GT进行卷积，再通过一个1x1卷积用于权重调整。最后使用0.1阈值将细节GT二值化。
细节损失计算公式：dice loss + bce loss
detail head：3x3卷积后接1x1卷积得到细节图，细节loss在推理时不使用。
模型重绘：
相比于gate-scnn结构：stage3并未经过一些列的卷积操作进行提取边界，而是使用backbone本身的卷积进行提边，且gate-scnn是边缘细节在decoder开始部分就融合进去了，而STDC是融合在decoder的tail部分。
结果可视化：
