Lininggggggg

您好，重新看了好一会还是有些不懂  截图中红色框图实现是[ContextPath中的backbone函数吗](https://github.com/MichaelFan01/STDC-Seg/blob/master/models/model_stages.py#L134)？ 蓝色框的实现则是[ContextPath的实现](https://github.com/MichaelFan01/STDC-Seg/blob/master/models/model_stages.py#L99)吗？

如果是的话，那下图中三个圈起来的模块的实现分别是对应哪些代码？  其中的ffm我知道了是[feat_fuse = self.ffm(feat_res8, feat_cp8)](https://github.com/MichaelFan01/STDC-Seg/blob/master/models/model_stages.py#L282)； 那请问其他两个呢？

另外，请问框起来的变量feat_out_sp2，feat_out_sp4，feat_out_sp8，feat_out_sp16， feat_out， feat_out16， feat_out32都分别是做什么的（大哭，看不懂啊）； 如果我只想return输出得到最终的output图，请问是哪个变量？是feat_out， feat_out16或者feat_out32三个其中一个都可以吗？还是[feat_out这个变量而已](https://github.com/MichaelFan01/STDC-Seg/blob/master/evaluation.py#L49)，其他变量只是为了多角度约束损失函数的？ 

> > 如果是的话，那下图中三个圈起来的模块的实现分别是对应哪些代码？ > >  > > 其中的ffm我知道了是[feat_fuse = self.ffm(feat_res8, feat_cp8)](https://github.com/MichaelFan01/STDC-Seg/blob/master/models/model_stages.py#L282)； > > 那请问其他两个呢？ > > 建议先去看一下bisenet解读，这篇是改进工作，灰框是全局池化，ffm是特征融合模块，arm是注意力微调模块，这几个都是之前那篇工作里的设计，作者代码中采用的是boundary8发现效果最好，其他是还未删掉可供对比的参数设计。 您好，谢谢您的建议。我看了bisenet的相关内容，大概理解了些。 所以，请问本文的改进是去掉了SpatialPath，替换为损失函数的计算；且对ContextPath进行改进，其他的基本不变，对吗？ 而ContextPath的改进是将原先的backbone（Xception39 或 Res18 ）替换为作者提出的STDC模块对吧？即修改了下图中的红色框 

hhh,谢谢了啊

另外，[请问下forward_impl和forward有什么区别吗？](https://github.com/MichaelFan01/STDC-Seg/blob/master/nets/stdcnet.py#L286) 

好的，谢谢大佬您哈

另外，还想请问下，您们的代码里是没给出模型推理的分割图片结果吗？

好的，谢谢您

预训练模型的链接