LiteSeg
所提出的编码器包含一个骨干网络架构，该架构充当用于特征提取的图像分类架构。 选择这些架构是为了满足我们的性能标准，因此我们使用不同的三个轻量级模型 MobileNet、ShuffleNet 和 Darknet19 测试了该架构。 所提出的骨干网络配置为 MobileNetV2 和 ShuffleNet 的输出步长为 32，Darknet19 的输出步长为 16，以实现精度和速度之间的不同权衡。 在这里，提出了一种新的更深版本的 ASPP 模块（称为 Deeper Atrous Spatial Pyramid Pooling (DASPP)）通过在 3 × 3 atrous 卷积之后添加标准的 3 × 3 卷积来细化特征并融合输入和输出 ，通过短残差连接的 DASPP 模块。
PP-LiteSeg
灵活轻量级解码器(FLD)+统一注意力融合模块(UAFM)+简单金字塔池模块(SPPM)
UAFM：
统一的注意力融合模块(UAFM)，该模块利用通道和空间注意力来丰富融合的特征表示。
如图4(a)所示，UAFM利用一个注意力模块来产生权重α，并通过MUL和ADD操作将输入特征与α融合。 详细地，输入特征表示为
SPPM
如图5所示，我们提出了一个简单的金字塔池模块(SPPM)。 它首先利用金字塔池模块来融合输入特性。 金字塔池模块有三个全局平均池操作，池大小分别为1×1、2×2和4×4。 然后，输出特征之后是卷积和上采样操作。 对于卷积运算，核大小为1×1，输出通道小于输入通道。 最后，我们添加这些上采样的特征，并应用卷积运算来产生精化的特征。 与原PPM相比，SPPM减少了中间通道和输出通道，消除了捷径，并用加法操作代替了串联操作。 因此，SPPM更有效，适合于实时模型。
STDC
为了丰富特征信息，我们通过跳过路径将x1到xn特征映射串联起来作为STDC模块的输出。在级联之前，通过3×3池大小的平均池操作，将STDC模块中不同块的响应映射下采样到相同的空间大小。
