BiSeNetv3：Rethinking BiSeNet For Real-time Semantic Segmentation
使用 BiSeNet 中的 context path 提取上下文信息，并且针对 GT 利用 Laplacian Conv 生成网络的中间监督信息，使得中间特征更加符合后续任务
BiSeNet V2：Bilateral Network with Guided Aggregation for Real-Time Semantic Segmentation
BiSeNet 的升级版，相比较 BiSeNet，BiSeNetv2 精度和速度均有大幅度提升
APCNet：Adaptive Pyramid Context Network for Semantic Segmentation
APCNet 提出 ACM 模块，满足语义分割的分辨率自适应、多尺度、自注意力 3 个条件，使得模型效果更好
ACNet：Strengthening the Kernel Skeletons for Powerful CNN via Asymmetric Convolution Blocks
ACNet 利用 "结构重参数化" 的概念，训练时该块使用三个不对称卷积块卷积分支，推理时将三个分支的融合成 1
个分支，使得训练时性能得到提升的同时，不降低推理的速度
Pytorch 模型搭建
在 Pytorch 搭建模型
A survey of loss functions for semantic segmentation
将 15 种语义分割函数分为 4 类进行归纳总结，并提出 Log-Cosh Dice Loss 损失
我的图片分类习路线
本文总结自己目前对图片分类的认识，和学习过程
ZFNet：Visualizing and Understanding Convolutional Networks
继 Alexnet 后，通过观察卷积神经网络某一层的特征图，系统分析了卷积神经网络处理图片的原理，包括：(1) 卷积神经网络自动学习区域相关性；(2) 卷积神经网络是学习了关键区域的特征，而不是全局特征；(3) 卷积神经网络的特征是多层抽象的；(4) 浅层卷积神经网络收敛更快；(5) 卷积神经网络具有大小不变性、尺度不变性、旋转不变性
VFL
本文在 FCOS+ATSS 的基础上设计了 iou 感知分数分支，用于联合 iou 预测分支及框预测分支，并在此分支上应用设计的 VFL 损失函数，实现更加有效的目标检测
VGG：Very Deep Convolutional Networks for Large-Scale Image Recognition
VGGNet 探索了卷积神经网络的深度与其性能之间的关系，成功地构筑了 16~19 层深的卷积神经网络，证明了增加网络的深度能够在一定程度上影响网络最终的性能，使错误率大幅下降，同时拓展性又很强，迁移到其它图片数据上的泛化性也非常好