旷世18年的CVPR，论文链接：https://arxiv.org/abs/1804.09337
Motivation:针对分割中的“类内不一致”和“类间一致性”的两大问题，设计了结合Smooth net和Border net的DFN网络来解决这一问题；
Pipeline:
一、设计Smooth net来解决类内不一致问题；
析：低层特征具有更加精确的空间信息，但语义信息贫乏；高层特征具有更加精确的语义信息，但空间信息很粗糙；因此需要想办法来结合低层特征精确的空间信息和高层特征精确的语义信息；
（1）使用Global average pooling（全局平均池化）将U结构变为V结构，提供一个强约束；
（2）引入Channel attention block(通道注意力模块)，相邻阶段中，基于高层特征获得通道注意力向量，低层特征获得不同的判别特征，注意力向量对低层的判别特征进行选择，在不同阶段间提高一致性；
二、设计Border net来解决类间一致性问题；
结构从下而上，不断地为低层精确地空间信息加上愈来愈来精确地语义边界；
《Learning a Discriminative Feature Network for Semantic Segmentation》解读
原文：https://www.cnblogs.com/zf-blog/p/11089789.html