本文主要是介绍【学习】DLA （Deep Layer Aggregation），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
本研究是有由UC Berkeley的Trevor Darrell组发表于2018年CVPR。因为，工作中应用到CenterNet，文章中使用了DLA作为backbone，能够以较高的速度完成推理并维持较高的AP。
DLA文章：论文
DLA
在实际操作中，常常将高级特征和低级特征进行融合。
如上图所示，常用的融合方法为DC与FP，其中Dense Connections来自DenseNet，可以聚合语义信息。Feature Pyramids空间特征金字塔可以聚合空间信息。DLA同时结合以上两点，提出了一种树形＋双向融合结构。
DLA 网络结构：
DLA结构，由 五大部分组成：base_layer是前两个方块，进行快速的下采样，后面四个红框，每一个红框是一个Tree-树结构，树结构之间也同时存在流动，如 橙色箭头线（上采样）所示，将上一级的Tree的图像上采样之后融合。
总结一下：
- 红色框代表的是用树结构链接的层次结构，能够更好地传播特征和梯度。
- 橙色链接代表的是IDA，负责链接相邻两个stage的特征让深层和浅层的表达能更好地融合。
- 蓝色连线代表进行了下采样
这篇关于【学习】DLA （Deep Layer Aggregation）的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
