曾经Kitti道路分割排名第一的方案， 现为Kitti上UM-road 排名35的方案。
main contribution：
1.将分类、检测、分割三个任务结合起来，共用encoder框架。
2.简单，效果还好。
3.效率高，23 fps （没说在什么环境下）
architecture：
共享一个encoder，对不同的任务设计不同的decoder
encoder:
用于提取特征 ，文中主要用了vgg16 和resnet，用的都是在imageNet 上预训练的模型进行微调。其中vgg16分为vgg16-fc7和vgg16-pool5。就是用的层不一样，一个取到pool5一个取到fc7（这里fc都被换成了1*1 conv 以适应不同大小的输入）。resnet为resnet50与resnet101，去除了最后的fc层。
由于自己主要关注seg部分
classification decoder：两种，一种就是原始的全连接， 一种是卷积
detection decoder： 与yolo 相似，没有proposal生成步骤。 这样才可能实时 采用了rescaling layer 来提升性能。rescaling layer 包含RoI align。
segmentation decoder：
主要就是FCN架构 ，先用1*1卷积获取一个粗粒度分割结果。然后添加3层转置卷积。
training details:
主要是fine-tune
针对多任务，Loss不尽相同 。 分类与分割为交叉熵 检测loss较为复杂，按cell来分。
experiments results:
联合推断得到的结果和单个任务得到的结果差不太多。
针对分割：(为当时的第一）
不同encoder的效果：
分类与检测的效果就不一一列出。
