论文名称：SRN: Side-output Residual Network for Object Symmetry Detection in the Wild ----CVPR 2017
code地址：https://github.com/KevinKecc/SRN
论文概述：一篇做图像对称性骨骼的论文，与以往不同的是，此篇论文中采用了自定义的benchmark，基于HED进行网络改造，主要为deep-to-shallow和shallow-to-deep两部分，实验结果图 如下所示：
论文详解:
首先，对称性普遍存在与一些物体，例如，自然界中的鸟，树木，人造物如 飞机等，对称线也是一个很关键的视觉任务和研究方向
在此篇论文中，作者采用残差学习，提出了SRN网络，个人看来，主要的改进在于网络的结构，
网络结构包含 deep-to-shallow和shallow-to-deep两部分，与FCN类似，首先是deep-to-shallow，一层层的卷积，随后是shallow-to-deep，一步一步的利用逆卷积还原，具体设置可以参照code中的trainval.prototxt
网络通过残差学习，如下图所示
其中，r表示输入，r+F（y）表示输出，这个F（y）就是网络得到的残差（residual）
该篇论文其实在结构上与HED很接近，不过HED是利用多个side-output上的loss进行fuse-loss，该篇论文是利用多个side-output上的残差，所以还是有点差别的
以上就是该篇论文的全部内容，如果熟悉HED的话，看此篇论文并不会陌生，看到代码就一种莫名的熟悉感，不过，该篇论文不仅仅是一个新的创意这么简单，还提供了一个新的benchmark，在此感谢作者们的辛苦工作，祝大家好运
附上个人关于HED代码运行的两篇博客：
HED测试单张图片示例：
点击打开链接
HED程序运行问题详解：
点击打开链接
