论文地址：https://arxiv.org/pdf/1907.11357.pdf
代码地址：https://github.com/Reagan1311/DABNet
论文利用了depth-wise asymmetric convolution and dilated convolution 设计了DAB module（Depthwise Asymmetric Bottleneck），充分利用了感受视野和上下文信息。
- 关于实时分割的一些处理方法：
Enet----减少卷积filter的数量，减少计算量
ICnet----cascade network with 多尺度分辨率分支
ERFnet----残差连接和因式分解卷积
ESPnet ----esp module(efficient spatial pyramid)
BiSeNet ---- 两个分支信息的融合，语义信息和空间信息
空洞卷积：
Dilated convolution ---- 在不增加参数量的情况下扩大感受视野
deeplab----atrous spatial pyramid pooling (ASPP) module 采集多尺度信息
DenseASPP----concatenate dilated convolution layers 获取密集的多尺度信息
Convolution Factorization：
将普通卷积分解，减少计算量和memory的消耗。
例如inception，xception，mobilenet系列，shufflenet系列
- DAB module
如上图c所示，
1. 作者首先采用了3*3的卷积去减少channel，而不是1*1的卷积。虽然1*1的卷积能够减少计算量。但是1*1的卷积在resnet中采用主要是为了加深网络的深度，但是这里不需要网络深度100层以上。
2. 为了更好的获取空间信息，作者在卷积之后将channel数减少了一般，并没有压缩太多。
3. 由于之前的网路结构已经证实分层的网络会对语义分割任务更有效，所以DAB module也是融合多尺度的信息，感觉也是借鉴了bisenet，采用了双分支的结构。
一个分支获取local information，为了减少计算量，借鉴了erfnet采用了将n*n的卷积分解成n*1深度可分离卷积和1*n的深度可分离卷积。
一个分支为了获取边缘语义信息，采用空洞卷积，在不减少分辨率的情况下。但是空洞卷积随着rate的增大，计算量也会变大。为了解决这个问题，作者将其与depth-wise asymmetric convolution结合。所以叫做depth-wise asymmetric dilated convolution。
激活函数：
作者采用了前置激活的策略（conv之前做激活），参考（Identity mappings in deep residual networks ICCV 2016），并且Mobilenetv2: Inverted residuals and linear bottlenecks中提出了non-linear layers in bottlenecks hurts the performance。所以在1*1的point-wise convolution之删除了non-linearity
- 网络设计：
Downsampling策略：作者没有像enet一样一上来就下采样而是先用3*3卷积减少通道然后采用enet initial block，之后再经过一次不加max pooling的下采样。借鉴ESPNetv2中的方法，利用了long-range shortcut connection融合原图和downsampling block。
DAB block：做block内的信息融合，采用可空洞卷积。毕竟dense connect的方式效果还是很显著的。
DABnet:无decoder
- 实验分析
参数的一些设置：use mini-batch stochastic gradient descent (SGD) with batch size 8, momentum 0.9 and weight decay 1e −4 in training. We employ the “poly” learning rate policy [5] and the initial learning rate is set to 4.5e −2 with power 0.9.
实验结果表明：
1. 空洞卷积rate{3, 3, 7, 7, 13, 13}要比{4, 4, 8, 8, 16, 16}高2.3个点。
2.加上decoder效果提升不大，但是很影响速度。
3.加入spp有效果提升，但是也会影响速度。