Towards Bridging Semantic Gap to Improve Semantic Segmentation

•本文中心思想：

在语义分割中，抓住多尺度上下文信息是非常必要的，但是直接融合深度特征和浅层特征会因为两者语义差别过大而产生鸿沟 •所以本文有两个策略：

1.运用语义增强模块（SeEM）增强浅层特征，以此减轻语义鸿沟，2.特征注意，包含了在浅层特征提取补充信息（如边界信息）去增强高层特征。

•本文运用这两个策略为中心，构建了平行特征金字塔，并以此生成语义增强网络来生成精确的分割

这些特征是由FCN网络的最后三个阶段产生的，以表示存在于不同层的差距。 从此图也可以看出，直接融合底层特征和高层特征，会给图像带来噪声，如山的轮廓等信息 所以，当结合底层和高层信息时，语义鸿沟是应该被考虑进去的

Parallel Pyramid for Robust Feature Fusion

假设在一维空间中，xi是输入，膨胀率为3的ASPP可以提取到0,3,6，则输出z0就是x0,x3,x6,那么我们只抓住了3个像素的信息，但若是先用3*1的卷积核卷积，那么我们最终可以得到9个像素的信息，那么这个操作的好处就不言而喻了