Abstract.
1.existing methods of semantic segmentation still suffer from two aspects of challenges:
(1)intra-class inconsistency(类内的不一致) (2).inter-class indistinction（类间的模糊不分明）
2.we propose a Discriminative Feature Network ( DFN ) ,
DNF = Smooth Network + Border Network
（1）处理类内的不一致问题：
Smooth Network = Channel Attention Block+global average pooling+RRB
这样可以选取更加具有判别性的特征。
（2）处理类间模糊的问题
Border Network
这样可以使边界的双边特征更加分明
Introduction.
介绍中主要讲了FCN和之前的一些方法，这些方法都有以下两个方面的缺点：1）patches有相同的semantic label，但是appearances是不同的，往往被分割为两个不同的objects。2）两个相邻的patches有不同的semantic labels，但是appearances相同，往往也会被误判为两个相同的objects
examples:
the architecture pf ours:
对于Smooth Network我们需要解决两个问题：
（1）我们需要多个规模的和全局内容的information对于局部和全局的信息进行编码，所以在这个结构中我们采用了U-shape的network去获取多尺度的内容信息，然后用global average pooling去获取全局的信息，作者还采用了Channel Attention Block（CAB）的机制去用high-level features 引导对于lower-level features的选择。
对于Border Network：
（2）Border Network用来去分割两个有相同的appearances但是有不同的semantic labels的patches
Related Work.
Encoder-Decoder
对于FCN内在的对于不同的级别的features进行了编码，有些approches就把他们进行融合对final prediction
达到refine的效果。这些方法最主要的就是考虑如何去恢复spatial information在这里有SegNet，U-net，LRR，RefineNet
SegNet ， U-net ， LRR ， RefinNet ：这些之前的方法都没有考虑到global context，而且大部分像这样的方法都是对于相邻部分的特征进行总结，而没有考虑到他们之间的多种多样的representation，这会导致类内不一致的结果
Global Context
global average pooling => Spatial Pyramid pooling => Atrous Spatial Pyamid Pooling
ParseNet PSPNet , Deeplab v3
Attention Module
注意力机制指的是把那些值得关心的部分赋予高的权重，给他最大的注意力，对一幅图中最重要的patch给予最大的关注。
Semantic Boundary Detection
语义边界识别中的大部分的方法是直接把不同的level的features串联起来去提取boundary
Method
在Smooth Network中我们采用ResNet作为基本的model，在low stage中感受野的size比较小只能encode spatial information，而对于语义的连续性比较差；但是在high stage他有很强的语义连续性，因为他有很大的 感受野，但是prediction在spatial上会很模糊。于是我们结合了low stage和high stage的特点去达到更加好的效果。
在现在流行的语义分割的结构中，这里主要有两种风格：
（1）‘Backbone-Style’ 典型的approches如，PSPNet，Deeplab v3；这种类型的方法主要是用‘Pyramid pooling module’和’Atrous spatial Ptramid Pooling module‘注入不同尺度的信息去提高网络的连续性
（2）'Encoder-Decoder-style'典型的方法如，RefinNet ，Global Convolutional Network；这种方法主要利用在不同stage的内在的多种尺度的context，但是它缺乏global context，在global context中含有很强的连续性。
我们用了global average pooling layer把U型结构变为了V型结构，而且给网络注入了很强的一致性。其次我们设计了一个Channel Attention Block，它把相邻的部分结合起来计算得出一个channel attention vector，而这个 channel attention vector 可以攒去具有辨别力的特征。
Channel attention block
architecture：
主要就是从low stage到high stage对于discrimination有不同的能力，应我们采用channel attention block去调整不同channels的权值，给予那些鉴别能力好的大权重，而鉴别能力差的小权重。
Refinement residual block
主要用来去refine feature map，这个模块同时也可以增强每个stage的识别能力。
Border network
作者使用Border network去增加类间的特征区别，在section3.1中作者就说过low stage features有很详细的信息，而high stage features有更高度的语义信息，于是作者设计了一个自下而上的Border Network，用它来获取更清晰的边界信息
Stage-wise refinement :
Smooth Network 使用了一种自上而下的方式，将high stage的信息传递到low-stage 去保证inter-class consistency；而Border Network使用了一种自下而上的方式，用low stage的edge information去改善semantic boundary
