引导方法深度补全系列—基于SPN模型—2—《CSPN++: Learning Context and Resource Aware Convolutional Spatial Propagat》文章细

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

目录

创新点

网络结构

总结

---

创新点

1.引入其他参数预测（自适应卷积核大小，传播迭代次数）每个像素的适当配置来增强CSPN

2.加入了资源估计的触发器（可能检测一下设备的gpu），根据给定的设备调整参数，例如卷积核的大小

（ps：这篇论文和CSPN是同一个作者，，改进也是基于CSPN改进的）

---

文章贡献

1.学习自适应卷积核大小=》预测一个参数加权卷积核大小；和传播迭代次数=》同上

       从而可以根据请求动态分配每个像素所需的上下文和计算资源。具体地说，我们将两个超参数的学习描述为一个架构选择问题，其中首先定义内核大小和迭代次数的各种配置，然后训练一组软加权参数，以便在每个像素处正确组装或从预定义配置中选择。