BiSeNet的特点

BiSeNet特点：

1. 双分支网络

一个网络强调细节，它的特征图最小是小到1/8的尺寸，也就是说尽量保持了比较多的特征图细节；

第二个就是轻量化，他只用三个卷积层，就实现了

第三个是高级语义特征的支路（context path），强调比较深的深度，最深可以达到1：32的下采样，

第四个是轻量级模型，使用inception来实现，在保持比较深的深度同时。仍然保持比较小的计算量，通过全局平均池化，实现上下文信息的捕获，主要思路就是简单轻量骨干网络

第五就是特征融合，两个分支的特征图空间是不同的，特征差异会比较大，融合时就会导致很多噪声点，因此它使用批量正态化，减少特征表示之间的差异，使用注意力机制加权融合，来强调高级语义特征

2. 特征融合模块

首先进行了一个通道上的堆叠，也就是串联，然后通道堆叠后使用了一个普通卷积进行处理，之后使用了一个类似注意力的机制，最后是一个短接

3. 损失函数

使用主损失函数监督整个网络，使用辅助损失函数监督右侧比较深的网络，主要目的是加快训练进度

使用BiSeNet实现自己的语义分割