简单总结一些特征融合的方法，方便以后使用
U-Net，U-Net++,HRNet
ExFuse: Enhancing Feature Fusion for Semantic Segmentation
语义特征和底层特征相结合，提升表现力，下图为一个通用模块解释，以及实际的方法和高级特征融合模块：
此外，论文还通过对编码器进行监督等方式进行提升，详细可以参考 https://zhuanlan.zhihu.com/p/40216927 的分析。
Libra R-CNN: Towards Balanced Learning for Object Detection
解决目标检测不平衡问题，这里特征融合用来解决特征不平衡的问题：
这里refine使用的是non local，此外论文里的unblance loss设计的也很有意思，详细可以参考 https://www.cnblogs.com/fourmi/p/10756556.html
CentralNet: a Multilayer Approach for Multimodal Fusion
做多模态分类的，思路很简单，如下：
RefineNet和PSPNet
不说了，参考分割的论文
AlignSeg: Feature-Aligned Segmentation Networks
解决高低层特征不对齐问题（这个问题第一次看见），详情参考: https://zhuanlan.zhihu.com/p/110667995
EEMEFN: Low-Light Image Enhancement via Edge-Enhanced Multi-Exposure Fusion Network
重点关注一下特征融合模块，论文详解参考： http://jiaqianlee.com/2020/01/25/LOW/
Recovering Realistic Texture in Image Super-resolution by Deep Spatial Feature Transform
语义分割图引导超分辨，实际上是特征转换，详情参考:https://blog.csdn.net/gwplovekimi/article/details/84697158
LAF-Net: Locally Adaptive Fusion Networks for Stereo Confidence Estimation
对不同特征不同重要程度进行编码，然后进行融合，如下图所示：
Dynamic Context Correspondence Network for Semantic Alignment
和上面出发点一样，对特征进行加权融合，如下所示：
Progressive Fusion Video Super-Resolution Network via Exploiting Non-LocalSpatio-Temporal Correlations
空间时间信息融合，可以看做是一个类型的伪3D卷积
Controllable Video Captioning with POS Sequence GuidanceBased on Gated Fusion Network
RGB和D图像融合，如下图所示:
Deep Surface Normal Estimation with Hierarchical RGB-D Fusion
也是RGB和D图像融合，如下图所示，是一个coarse to fine的过程:
简单记录一下，有非常新的融合方式再更…