paper 原论文的链接
code: 源代码链接

67.4 (car) 19.2(ped) 32.7(cyclist)|90 fps/GPU

1. 主要思想

通过什么方式，解决了什么问题

在SqueezeSeg的基础上，利用PSPNet思想进行网络结构的创新，使得即快有准。

2. 具体方法

说明怎么解决的，具体设计是什么, 有什么启发性思考（作者的创新点）

2.1 数据投影

和SqueezeSeg一样

2.2 网络结构

1. FireLayer
包括卷积和反卷积，和SqueezeSeg中的一样

2. Enlargement Layer
为了减小赤化层导致的位置信息损失， 用空洞卷积组成类似ASPP进行卷积操作；

• 使用 1x1卷积和global average layer 作为concatenate后面的层，将fmaps进行压缩

3. squeeze reweighting layer

该模块的一些说明-也就是个通道注意力机制：

• X是前层输出，要进行sigmoid激活

• Y是X激活后，与通道注意力机制的输出进行融合的结果，Y作为模块输出
  
  
  

• 此外论文的下采样仍然在宽度上，

• 这些模块的使用位置解释如下：
  

3. 实验支撑

记录一些关键实验的结论分析，具有启发性的实验和结论

速度对比：

4. 总结启示

针对中心思想和实验结论的总结和扩展思考
扩展思考 : 也就是用自己已有的知识或者自己的“土话”，重新理解paper（费曼学习法的精髓-便于记忆和举一反三的应用）

• squeeze reweighting layer模块设计
• 采用了空洞卷积

5. 相关文献

主要的比较贴近的文献,关键性文献