摘要：目前用于語義分割研究的兩個最重要數(shù)據(jù)集是和。發(fā)展中的方法效果。論文于年月日提交到主要貢獻將端到端的卷積網(wǎng)絡(luò)推廣到語義分割中重新將預訓練好的網(wǎng)絡(luò)用于分割問題中使用反卷積層進行上采樣提出了跳躍連接來改善上采樣的粗糙程度。

語義分割是什么？

語義分割方法在處理圖像時，具體到像素級別，也就是說，該方法會將圖像中每個像素分配到某個對象類別。下面是一個具體案例。

左邊為輸入圖像，右邊為經(jīng)過語義分割后的輸出圖像。

該模型不僅要識別出摩托車和駕駛者，還要標出每個對象的邊界。因此，與分類目的不同，相關(guān)模型要具有像素級的密集預測能力。

目前用于語義分割研究的兩個最重要數(shù)據(jù)集是VOC2012和MSCOCO。

VOC2012：

http://host.robots.ox.ac.uk/pascal/VOC/voc2012/

MSCOCO：

http://mscoco.org/explore/

有哪些方法？

在深度學習應(yīng)用到計算機視覺領(lǐng)域之前，研究人員一般使用紋理基元森林(TextonForest)或是隨機森林(Random Forest)方法來構(gòu)建用于語義分割的分類器。

卷積神經(jīng)網(wǎng)絡(luò)(CNN)不僅能很好地實現(xiàn)圖像分類，而且在分割問題中也取得了很大的進展。

最初，圖像塊分類是常用的深度學習方法，即利用每個像素周圍的圖像塊分別將各像素分成對應(yīng)的類別。其中，使用圖像塊的主要原因是分類網(wǎng)絡(luò)通常具有全連接層，其輸入需為固定大小的圖像塊。

2014年，加州大學伯克利分校的Long等人提出的完全卷積網(wǎng)絡(luò)(Fully Convolutional Networks)，推廣了原有的CNN結(jié)構(gòu)，在不帶有全連接層的情況下能進行密集預測。

這種結(jié)構(gòu)的提出使得分割圖譜可以生成任意大小的圖像，且與圖像塊分類方法相比，也提高了處理速度。在后來，幾乎所有關(guān)于語義分割的研究都采用了這種結(jié)構(gòu)。

除了全連接層結(jié)構(gòu)，在分割問題中很難使用CNN網(wǎng)絡(luò)的另一個問題是存在池化層。池化層不僅能增大上層卷積核的感受野，而且能聚合背景同時丟棄部分位置信息。然而，語義分割方法需對類別圖譜進行較精確調(diào)整，因此需保留池化層中所舍棄的位置信息。

研究者提出了兩個不同形式的結(jié)構(gòu)來解決這個問題。

第一種方法是編碼器-解碼器(encoder-decoder)結(jié)構(gòu)。其中，編碼器使用池化層逐漸縮減輸入數(shù)據(jù)的空間維度，而解碼器通過反卷積層等網(wǎng)絡(luò)層逐步恢復目標的細節(jié)和相應(yīng)的空間維度。從編碼器到解碼器之間，通常存在直接的信息連接，來幫助解碼器更好地恢復目標細節(jié)。在這種方法中，一種典型結(jié)構(gòu)為U-Net網(wǎng)絡(luò)。

一種典型的編碼器-解碼器結(jié)構(gòu)U-Net

第二種方法使用了稱作空洞卷積的結(jié)構(gòu)，且去除了池化層結(jié)構(gòu)。

空洞卷積，當比率為1時，即為經(jīng)典的卷積結(jié)構(gòu)。

條件隨機場(Conditional Random Field，CRF)方法通常在后期處理中用于改進分割效果。CRF方法是一種基于底層圖像像素強度進行“平滑”分割的圖模型，在運行時會將像素強度相似的點標記為同一類別。加入條件隨機場方法可以提高1~2%的最終評分值。

發(fā)展中的CRF方法效果。b圖中將一維分類器作為CRF方法的分割輸入；c、d、e圖為CRF方法的三種變體；e圖為廣泛使用的一種CRF結(jié)構(gòu)。

接下來，我們會梳理一些代表性論文，來介紹從FCN網(wǎng)絡(luò)開始的分割結(jié)構(gòu)演變歷程。

這些結(jié)構(gòu)都使用了VOC2012數(shù)據(jù)集來測試實際效果。

一些有趣的研究

接下來將按照論文的發(fā)表順序來介紹以下論文：

1．FCN網(wǎng)絡(luò)；

2．SegNet網(wǎng)絡(luò)；

3．空洞卷積(Dilated Convolutions)；

4．DeepLab (v1和v2)；

5．RefineNet；

6．PSPNet；

7．大內(nèi)核(Large Kernel Matters)；

8．DeepLab v3；

對于上面的每篇論文，下面將會分別指出主要貢獻并進行解釋，也貼出了這些結(jié)構(gòu)在VOC2012數(shù)據(jù)集中的測試分值IOU。

FCN

論文：

Fully Convolutional Networks for Semantic Segmentation

于2014年11月14日提交到arvix

https://arxiv.org/abs/1411.4038

主要貢獻：

將端到端的卷積網(wǎng)絡(luò)推廣到語義分割中；

重新將預訓練好的Imagenet網(wǎng)絡(luò)用于分割問題中；

使用反卷積層進行上采樣；

提出了跳躍連接來改善上采樣的粗糙程度。

具體解釋：

本文的關(guān)鍵在于：分類網(wǎng)絡(luò)中的全連接層可以看作是使用卷積核遍歷整個輸入?yún)^(qū)域的卷積操作。

這相當于在重疊的輸入圖像塊上評估原始的分類網(wǎng)絡(luò)，但是與先前相比計算效率更高，因為在圖像塊重疊區(qū)域，共享計算結(jié)果。

盡管這種方法并不是這篇文章中所特有的，還有一篇關(guān)于overfeat的文章也使用了這種思想，但是確實顯著提高了在VOC2012數(shù)據(jù)集上的實際效果。

用卷積運算實現(xiàn)的全連接層結(jié)構(gòu)

在將VGG等預訓練網(wǎng)絡(luò)模型的全連接層卷積化之后，由于CNN網(wǎng)絡(luò)中的池化操作，得到的特征圖譜仍需進行上采樣。

反卷積層在進行上采樣時，不是使用簡單的雙線性插值，而是通過學習實現(xiàn)插值操作。此網(wǎng)絡(luò)層也被稱為上卷積、完全卷積、轉(zhuǎn)置卷積或是分形卷積。

然而，由于在池化操作中丟失部分信息，使得即使加上反卷積層的上采樣操作也會產(chǎn)生粗糙的分割圖。因此，本文還從高分辨率特性圖譜中引入了跳躍連接方式。

FCN網(wǎng)絡(luò)在VOC2012上測試的基準分值

個人評論：

本文的研究貢獻非常重要，但是的研究已經(jīng)很大程度地改進了這個結(jié)果。

SegNet

論文：

SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation

于2015年11月2日提交到arvix

https://arxiv.org/abs/1511.00561

主要貢獻：

將較大池化指數(shù)轉(zhuǎn)移至解碼器中，改善了分割分辨率。

具體解釋：

在FCN網(wǎng)絡(luò)中，通過上卷積層和一些跳躍連接產(chǎn)生了粗糙的分割圖，為了提升效果而引入了更多的跳躍連接。

然而，F(xiàn)CN網(wǎng)絡(luò)僅僅復制了編碼器特征，而Segnet網(wǎng)絡(luò)復制了較大池化指數(shù)。這使得在內(nèi)存使用上，SegNet比FCN更為高效。

個人評論：

FCN網(wǎng)絡(luò)和SegNet網(wǎng)絡(luò)都是最先出現(xiàn)的編碼器-解碼器結(jié)構(gòu)，但是SegNet網(wǎng)絡(luò)的基準分值還不能滿足可實際使用的需求。

空洞卷積

論文：

Multi-Scale Context Aggregation by Dilated Convolutions

于2015年11月23日提交到arvix

https://arxiv.org/abs/1511.07122

主要貢獻：

使用了空洞卷積，這是一種可用于密集預測的卷積層；

提出在多尺度聚集條件下使用空洞卷積的“背景模塊”。

具體解釋：

池化操作增大了感受野，有助于實現(xiàn)分類網(wǎng)絡(luò)。但是池化操作在分割過程中也降低了分辨率。

因此，該論文所提出的空洞卷積層是如此工作的：

?空洞卷積示意圖

空洞卷積層在不降低空間維度的前提下增大了相應(yīng)的感受野指數(shù)。

在接下來將提到的DeepLab中，空洞卷積被稱為多孔卷積(atrous convolution)。

從預訓練好的分類網(wǎng)絡(luò)中(這里指的是VGG網(wǎng)絡(luò))移除最后兩個池化層，而用空洞卷積取代了隨后的卷積層。

特別的是，池化層3和池化層4之間的卷積操作為空洞卷積層2，池化層4之后的卷積操作為空洞卷積層4。

這篇文章所提出的背景模型(frontend module)可在不增加參數(shù)數(shù)量的情況下獲得密集預測結(jié)果。

這篇文章所提到的背景模塊多帶帶訓練了前端模塊的輸出，作為該模型的輸入。該模塊是由不同擴張程度的空洞卷積層級聯(lián)而得到的，從而聚集多尺度背景模塊并改善前端預測效果。

空洞卷積在VOC2012上測試的基準分值

個人評論：

需要注意的是，該模型預測分割圖的大小是原圖像大小的1/8。這是幾乎所有方法中都存在的問題，將通過內(nèi)插方法得到最終分割圖。

DeepLab(v1和v2)

論文1：

Semantic Image Segmentation with Deep Convolutional Nets and Fully Connected CRFs

于2014年12月22日提交到Arvix

https://arxiv.org/abs/1412.7062

論文2：

DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs

于2016年6月2日提交到Arxiv

https://arxiv.org/abs/1606.00915

主要貢獻：

使用了空洞卷積；

提出了在空間維度上實現(xiàn)金字塔型的空洞池化atrous spatial pyramid pooling(ASPP)；

使用了全連接條件隨機場。

具體解釋：

空洞卷積在不增加參數(shù)數(shù)量的情況下增大了感受野，按照上文提到的空洞卷積論文的做法，可以改善分割網(wǎng)絡(luò)。

我們可以通過將原始圖像的多個重新縮放版本傳遞到CNN網(wǎng)絡(luò)的并行分支(即圖像金字塔)中，或是可使用不同采樣率(ASPP)的多個并行空洞卷積層，這兩種方法均可實現(xiàn)多尺度處理。

我們也可通過全連接條件隨機場實現(xiàn)結(jié)構(gòu)化預測，需將條件隨機場的訓練和微調(diào)多帶帶作為一個后期處理步驟。

RefineNet

論文：

RefineNet: Multi-Path Refinement Networks for High-Resolution Semantic Segmentation

于2016年11月20日提交到Arxiv

https://arxiv.org/abs/1611.06612

主要貢獻：

帶有精心設(shè)計解碼器模塊的編碼器-解碼器結(jié)構(gòu)；

所有組件遵循殘差連接的設(shè)計方式。

具體解釋：

使用空洞卷積的方法也存在一定的缺點，它的計算成本比較高，同時由于需處理大量高分辨率特征圖譜，會占用大量內(nèi)存，這個問題阻礙了高分辨率預測的計算研究。

DeepLab得到的預測結(jié)果只有原始輸入的1/8大小。

所以，這篇論文提出了相應(yīng)的編碼器-解碼器結(jié)構(gòu)，其中編碼器是ResNet-101模塊，解碼器為能融合編碼器高分辨率特征和先前RefineNet模塊低分辨率特征的RefineNet模塊。

RefineNet網(wǎng)絡(luò)結(jié)構(gòu)

每個RefineNet模塊包含一個能通過對較低分辨率特征進行上采樣來融合多分辨率特征的組件，以及一個能基于步幅為1及5×5大小的重復池化層來獲取背景信息的組件。

這些組件遵循恒等映射的思想，采用了殘差連接的設(shè)計方式。

PSPNet

論文：

Pyramid Scene Parsing Network

于2016年12月4日提交到Arxiv

https://arxiv.org/abs/1612.01105

主要貢獻：

提出了金字塔池化模塊來聚合背景信息；

使用了附加損失(auxiliary loss)。

具體解釋：

全局場景分類很重要，由于它提供了分割類別分布的線索。金字塔池化模塊使用大內(nèi)核池化層來捕獲這些信息。

和上文提到的空洞卷積論文一樣，PSPNet也用空洞卷積來改善Resnet結(jié)構(gòu)，并添加了一個金字塔池化模塊。該模塊將ResNet的特征圖譜連接到并行池化層的上采樣輸出，其中內(nèi)核分別覆蓋了圖像的整個區(qū)域、半各區(qū)域和小塊區(qū)域。

在ResNet網(wǎng)絡(luò)的第四階段(即輸入到金字塔池化模塊后)，除了主分支的損失之外又新增了附加損失，這種思想在其他研究中也被稱為中級監(jiān)督(intermediate supervision)。

大內(nèi)核

論文：

Large Kernel Matters — Improve Semantic Segmentation by Global Convolutional Network

于2017年3月8日提交到Arxiv

https://arxiv.org/abs/1703.02719

主要貢獻：

提出了一種帶有大維度卷積核的編碼器-解碼器結(jié)構(gòu)。

具體解釋：

這項研究通過全局卷積網(wǎng)絡(luò)來提高語義分割的效果。

語義分割不僅需要圖像分割，而且需要對分割目標進行分類。在分割結(jié)構(gòu)中不能使用全連接層，這項研究發(fā)現(xiàn)可以使用大維度內(nèi)核來替代。

采用大內(nèi)核結(jié)構(gòu)的另一個原因是，盡管ResNet等多種深層網(wǎng)絡(luò)具有很大的感受野，有相關(guān)研究發(fā)現(xiàn)網(wǎng)絡(luò)傾向于在一個小得多的區(qū)域來獲取信息，并提出了有效感受野的概念。

大內(nèi)核結(jié)構(gòu)計算成本高，且具有很多結(jié)構(gòu)參數(shù)。因此，k×k卷積可近似成1×k＋k×1和k×1＋1×k的兩種分布組合。這個模塊稱為全局卷積網(wǎng)絡(luò)(Global Convolutional Network, GCN)。

接下來談結(jié)構(gòu)，ResNet(不帶空洞卷積)組成了整個結(jié)構(gòu)的編碼器部分，同時GCN網(wǎng)絡(luò)和反卷積層組成了解碼器部分。該結(jié)構(gòu)還使用了一種稱作邊界細化(Boundary Refinement，BR)的簡單殘差模塊。

DeepLab v3

論文：

Rethinking Atrous Convolution for Semantic Image Segmentation

于2017年6月17日提交到Arxiv

https://arxiv.org/abs/1706.05587

主要貢獻：

改進了空間維度上的金字塔空洞池化方法(ASPP)；

該模塊級聯(lián)了多個空洞卷積結(jié)構(gòu)。

具體解釋：

與在DeepLab v2網(wǎng)絡(luò)、空洞卷積中一樣，這項研究也用空洞卷積/多空卷積來改善ResNet模型。

這篇論文還提出了三種改善ASPP的方法，涉及了像素級特征的連接、加入1×1的卷積層和三個不同比率下3×3的空洞卷積，還在每個并行卷積層之后加入了批量歸一化操作。

級聯(lián)模塊實際上是一個殘差網(wǎng)絡(luò)模塊，但其中的空洞卷積層是以不同比率構(gòu)建的。這個模塊與空洞卷積論文中提到的背景模塊相似，但直接應(yīng)用到中間特征圖譜中，而不是置信圖譜。置信圖譜是指其通道數(shù)與類別數(shù)相同的CNN網(wǎng)絡(luò)頂層特征圖譜。

該論文獨立評估了這兩個所提出的模型，嘗試結(jié)合將兩者結(jié)合起來并沒有提高實際性能。兩者在驗證集上的實際性能相近，帶有ASPP結(jié)構(gòu)的模型表現(xiàn)略好一些，且沒有加入CRF結(jié)構(gòu)。

這兩種模型的性能優(yōu)于DeepLabv2模型的最優(yōu)值，文章中還提到性能的提高是由于加入了批量歸一化層和使用了更優(yōu)的方法來編碼多尺度背景。

原文地址：

http://blog.qure.ai/notes/semantic-segmentation-deep-learning-review

商業(yè)智能與數(shù)據(jù)分析群

興趣范圍包括各種讓數(shù)據(jù)產(chǎn)生價值的辦法，實際應(yīng)用案例分享與討論，分析工具，ETL工具，數(shù)據(jù)倉庫，數(shù)據(jù)挖掘工具，報表系統(tǒng)等全方位知識

QQ群：81035754