BMVC2019论文，关注实时语义分割。
现有实时方法，主要有几个途径：
- 空洞卷积，在不增加参数的情况下增加感受野
- depth-wise separable convolution
但是暴力的将上面两种方法进行替换并不能取得最好的结果，因此论文就设计了一种网络框架，用于两种方法的结合。
- DAB module：
作者首先采用了33的卷积去减少channel，而不是11的卷积。虽然11的卷积能够减少计算量。但是11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。
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。
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nn的卷积分解成n1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
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
这里采用了不少trick，值得学习和借鉴！！
实验结果表明：
空洞卷积rate{3, 3, 7, 7, 13, 13}要比{4, 4, 8, 8, 16, 16}高2.3个点。
加上decoder效果提升不大，但是很影响速度。
加入spp有效果提升，但是也会影响速度。
