阅读了论文 Stage-Aware Feature Alignment Network for Real-Time Semantic Segmentation of Street Scenes
论文主要有两个创新点。
提出了 FEB，丰富Encoder阶段得到的特征图的空间和上下文信息，同时也有利于缓解街景语义分割多尺度目标的语义不对齐的问题。
提出了SFA来聚集和对齐不同层级的特征图，空间细节和上下文信息得到有效的利用，提升了小目标物物体的语义分割性能。
阅读了论文 Revisiting the Loss Weight Adjustment in Object Detection
论文首次深入探索了损失权重在目标检测中的影响。通过大量实验和理论分析总结了关于优化损失权重的重要结论。根据实验结论，设计了自适应权重调节策略。

代码工作：

• 在6006 上对fast-reid 中的resnet50后两个阶段中插入 inception的高低频处理模块基础上使用uafm，使得性能比单独使用uafm提升了近1个多点。

问题分析

• 上周在PVEN上，不使用特征注意力情况下得到了82.46的实验结果，后面发现加了特征注意力反而降低，然后开始了大量实验，尝试解决这个问题。最后加特征注意力的情况下的性能没有调上来，并且还发现再次实验，不使用特征注意力的情况下也到不了82.46了。
  我保存了82.46性能的训练模型，使用这个模型评估也能再次得到82.46的结果。因此我觉得可能不是代码问题，也许就是这一次的性能比较好。
  在这次经历后，我认为不必过于纠结对于这类偶然较好性能的复现。应该把精力花在确定模型、验证创新点有效性、然后在其它数据集也调到比之前论文性能高1到2个点这些事上。
• 以前在初次使用uafm模块时，也曾想过不仅仅应用在最后两个阶段，但是由于显存不够的问题，没有实现。
  现在能将多个阶段特征融合的原因有两个方面。
  一方面是，现在是在PVEN的基础上添加uafm模块，PVEN原本的显存占用就比PVASF要少将近一半。
  另一方面是，我对之前模型中的uafm 模块进行了微调，将显存占用减少了至少一半。

下一步

• 目前模型使用了三个uafm模块，观察减少到两个后的性能。
• 目前模型在训练过程中使用了三个损失，想根据这周读的这篇论文中的实验，调整下这几个损失权重比例，试一试对结果能否有提升，如果有的话，可以设计一个对三个损失使用的自适应权重调节策略。