‌‌‌‌　　说句泼冷水的话，对大多数研究从业人员来说语义分割目前已经达到瓶颈期了。

‌‌‌‌　　顶会顶刊paper看来看去真没啥突破：

‌‌‌‌　　（1）手动设计网络结构 -> NAS搜索；

‌‌‌‌　　（2）固定感受野 -> 引入空间注意力做感受野自动调节；

‌‌‌‌　　（3）效果提升不上去 -> 换个思路做实时分割来对比结果；

‌‌‌‌　　（4）有监督太热门 -> 引入弱监督 （GAN, 知识蒸馏, …） + trick = 差不多的score；

‌‌‌‌　　（5）DNN太枯燥，融入点传统视觉的方法搞成end-to-end训练；

‌‌‌‌　　（6）CNN太单调，配合GCN搞点悬念；

‌‌‌‌　　（7）嫌2D太low逼，转3D点云分割；

‌‌‌‌　　（8）将CNN的套路在Transformer做多一遍；

‌‌‌‌　　觉得太懒？积木堆起：A+B，A+B+C，A+B+C+D，…

‌‌‌‌　　积木总结：

‌‌‌‌　　[[A-注意力机制]]：SE ~ Non-local ~ CcNet ~ GC-Net ~ Gate ~ CBAM ~ Dual Attention ~ Spatial Attention ~ Channel Attention ~ … 【只要你能熟练的掌握加法、乘法、并行、串行四大法则，外加知道一点基本矩阵运算规则（如：HW * WH = HH）和sigmoid/softmax操作，那么你就能随意的生成很多种注意力机制】

‌‌‌‌　　[[B-卷积结构]]：Residual block ~ Bottle-neck block ~ Split-Attention block ~ Depthwise separable convolution ~ Recurrent convolution ~ Group convolution ~ Dilated convolution ~ Octave convolution ~ Ghost convolution ~ …【直接替换掉原始卷积块就完事了】

‌‌‌‌　　[[C-多尺度模块]]：ASPP ~ PPM ~ DCM ~ DenseASPP ~ FPA ~ OCNet ~ MPM… 【好好把ASPP和PPM这两个模块理解一下，搞多/减少几条分支，并联改成串联或者串并联结合，每个分支搞点加权，再结合点注意力或者替换卷积又可以组装上百种新结构出来了】

‌‌‌‌　　[[D-损失函数]]：Focal loss ~ Dice loss ~ BCE loss ~ Wetight loss ~ Boundary loss ~ Lovász-Softmax loss ~ TopK loss ~ Hausdorff distance(HD) loss ~ Sensitivity-Specificity (SS) loss ~ Distance penalized CE loss ~ Colour-aware Loss…

‌‌‌‌　　[[E-池化结构]]：Max pooling ~ Average pooling ~ Random pooling ~ Strip Pooling ~ Mixed Pooling ~…

‌‌‌‌　　[[F-归一化模块]]：Batch Normalization Layer Normalization Instance Normalization ~ Group Normalization ~ Switchable Normalization ~ Filter Response Normalization…

‌‌‌‌　　[[G-学习衰减策略]]：StepLR ~ MultiStepLR ~ ExponentialLR ~ CosineAnnealingLR ~ ReduceLROnPlateau ~…

‌‌‌‌　　[[H-优化算法]]：BGD ~ SGD ~ Adam ~ RMSProp ~ Lookahead ~…

‌‌‌‌　　[[I-数据增强]]：水平翻转、垂直翻转、旋转、平移、缩放、裁剪、擦除、反射变换 ~ 亮度、对比度、饱和度、色彩抖动、对比度变换 ~ 锐化、[[直方图均衡]]、Gamma增强、PCA白化、高斯噪声、GAN ~ Mixup

‌‌‌‌　　[[J-骨干网络]]：LeNet ~ ResNet ~ DenseNet ~ VGGNet ~ GoogLeNet ~ Res2Net ~ ResNeXt ~ InceptionNet ~ SqueezeNet ~ ShuffleNet ~ SENet ~ DPNet ~ MobileNet NasNet DetNet ~ EfficientNet ~ …