code：https://github.com/yanwei-li/DynamicRouting

文章：Learning Dynamic Routing for Semantic Segmentation

这篇文章提出的方法主要是想解决在语义分割任务中目标大小不一的问题；在语义分割中，分割的目标可能是小到一只鸟，也可能大到是充斥整个画面的大巴车或者背景；而一般的方法都是使用单一的静态网络模型进行分割，可能缺少对于真实世界中不同大小的目标的调节能力；

本文提出的方法是一种动态路径的方法，依据数据的不同规划不同的路径，也就是具体的网络结构会随着输入而变化；本文的额工作受启发于Auto-Deeplab（我还没看），但不同的是多路径传播以及跳连结构（multi-path propagations and skip-connections）；

示例图：

图中给出了不同尺度的动态路径规划；红色线标注的是他们的不同；大尺度的图可能会忽略一些低层的特征；而小尺度的目标可能会同时依靠低层特征与高层特征；对于混合尺度的输入则会有连接模式（connection pattern）

关于动态路径的结构图：

图中一共有L个layer，可以看到对于每个layer最多有四种scale的feature map，最小的1/32scale。首先input进行一个固定的三层的STEM把分辨率降至1/4。为了实现各层之间的全连接，会有上采样、下采样、保持scale的三种操作；右边是cell-level的展示，被聚合的特征经过Gate与Cell结构进行特征转换；

关与Cell 和Gate的部分细节可以去看paper，就不列公式了；以上图中的右边为例，大概就是X为各个scale的Y之和，X经过

SepConv3×3与identity mapping变成H（cell部分），Gate部分为卷积等操作之后得到G，使用如下的激活函数：

那么当激活因子（由G经过激活函数计算而来）为0时，就可以认为这个Gate是关闭的。这就是soft conditional gate；

最后来康康results（VOC2012）：