论文下载地址：https://arxiv.org/abs/1704.08545
此文聚焦于建立一种具有相对高准确度的，针对高像素图像的快速语义分割系统。它的重点在于：1，快速。处理速度显著优于传统的全连接的深度神经网络，因此快速。但快速不是无脑快，而是需要符合工程应用实际。如无人车、机器人视觉等行业，对检测时效要求高或需要实时检测的，则可以采取此网络；2，准确度相对较高。由于处理速度加快，稍微牺牲了准确度，但还是具备可用性的。
关注到这篇论文，是因为自己想用深度网络做场景分割。之前有很多人做过道路提取分割，也有很多先例了，相关同学推荐了这篇论文，故仔细研读一番，记录于此。
本文的创新点在于：针对speed和accuracy这两项似乎矛盾的指标，本文首先在语义分割框架中对时间预算进行深入分析，并进行大量实验，以证明直观加速策略的不足。 这促进了图像级联网络（ICNet）的发展，ICNet是一种具有良好质量的高效分割系统。 它利用了处理低分辨率图像的效率和高分辨率图像的高推理质量相结合。具体来讲，这个想法是先让低分辨率图像通过完整的语义感知网络以获得粗略的预测图。 然后提出了级联特征融合单元和级联标签制导策略，以整合中高分辨率特征，逐步细化粗糙语义图。 开发的级联特征融合单元与级联标签引导一起可以以较低的计算成本逐步恢复和细化分割预测。
