DFANet是一种高效的卷积神经网络架构，用于资源有限的语义分割。通过特征聚合和多尺度特征传播，DFANet减少了参数数量，提高了学习能力。在实验证明DFANet比现有方法快2倍，FLOPs少8倍，同时提供可比较的准确性。在Cityscapes测试数据集上，IOU平均值为70.3％，仅使用1.7 GFLOPs，在NVIDIA Titan X卡上以160 FPS的速度进行推断。

DFANet是一种高效的卷积神经网络架构，用于在资源有限的情况下进行语义分割。DFANet通过子网络和子阶段级联聚合区分特征，通过多尺度特征传播，大大减少了参数数量，并提高了模型学习能力，在速度和分割性能之间取得平衡。在Cityscapes和CamVid数据集上的实验证明了DFANet具有比现有最先进的实时语义分割方法快2倍，FLOPs少8倍的卓越性能，同时提供可比较的准确性。