语义分割总结 2017

翻译自qure.ai

1. 什么是语义分割

   对图片的每个像素都做分类。

   较为重要的语义分割数据集有：VOC2012 以及 MSCOCO 。

2. 有哪几种方法

   传统机器学习方法：如像素级的决策树分类，参考TextonForest 以及 Random Forest based classifiers 。再有就是深度学习方法。更确切地说，是卷积神经网络。

   深度学习最初流行的分割方法是，打补丁式的分类方法 ( patch classification ) 。逐像素地抽取周围像素对中心像素进行分类。由于当时的卷积网络末端都使用全连接层 ( full connected layers ) ，所以只能使用这种逐像素的分割方法。

   2014年，来自伯克利的 Fully Convolutional Networks(FCN) 卷积网络，去掉了末端的全连接层。随后的语义分割模型基本上都采用了这种结构。除了全连接层，语义分割另一个重要的问题是池化层。池化层能进一步提取抽象特征增加感受域，但是丢弃了像素的位置信息。但是语义分割需要类别标签和原图像对齐，因此需要从新引入像素的位置信息。有两种不同的架构可以解决此像素定位问题。

   第一种是编码-译码架构。编码过程通过池化层逐渐减少位置信息、抽取抽象特征；译码过程逐渐恢复位置信息。一般译码与编码间有直接的连接。该类架构中U-net 是最流行的。

   第二种架构是膨胀卷积 ( dilated convolutions ) ，抛弃了池化层。使用的卷积核如下图。

   

   条件随机场的后处理 经常用来提高分割的精确度。后处理利用图像的光感强度（可理解为亮度），将周围强度相近的像素分为同一类。能提高 1-2 个百分点。

3. 文章汇总

   按时间顺序总结八篇paper，看语义分割的结构是如何演变的。分别有FCN 、SegNet 、Dilated Convolutions 、DeepLab (v1 & v2) 、RefineNet 、PSPNet 、Large Kernel Matters 、DeepLab v3 。

   FCN 2014年

   主要的贡献：

   • 为语义分割引入了 端到端 的全卷积网络，并流行开来
   • 重新利用 ImageNet 的预训练网络用于语义分割
   • 使用 反卷积层 进行上采样
   • 引入跳跃连接来改善上采样粗糙的像素定位

   说明：

   比较重要的发现是，分类网络中的全连接层可以看作对输入的全域卷积操作，这种转换能使计算更为高效，并且能重新利用 ImageNet 的预训练网络。经过多层卷积及池化操作后，需要进行上采样，FCN 使用反卷积（可学习）取代简单的线性插值算法进行上采样。

   SegNet 2015年

   编码-译码架构

   主要贡献：

   • 将池化层结果应用到译码过程

   说明：

   引入了更多的编码信息。使用的是pooling indices而不是直接复制特征。

   Dilated Convolutions 2015年

   通过膨胀卷积操作聚合多尺度的信息

   主要贡献：

   • 使用膨胀卷积
   • 提出 ’context module‘ ，用来聚合多尺度的信息

   说明：

   池化在分类网络中能够扩大感知域，同样降低了分辨率。所以作者提出了膨胀卷积层。

   

   膨胀卷积在 DeepLab 中也被称为暗黑卷积 (atrous convolution) 。此卷积能够极大的扩大感知域同时不减小空间维度。本模型移去了VGG网的最后两层池化层，并且其后续的卷积层都采用膨胀卷积。

   作者还训练了一个模块，输入卷积结果，级联了不同膨胀系数的膨胀卷积层的，输出和输入有一样的尺寸，因此此模块能够提取不同规模特征中的信息，得到更精确的分割结果。

   最后预测结果图是原图的八分之一大小，文章使用插值得到最后的分割结果。

   DeepLab (v1 & v2) 2014 & 2016

   主要贡献：

   • 使用膨胀卷积
   • 提出了暗黑空间金字塔池化 (ASPP)
   • 使用全连接的条件随机场

   说明：

   基本网络和 dilated convolutions 一致。最后的结构化预测 (精细分割) 采用全连接的 CDF。提出了ASPP，但结果不如 FC-CDF 。

   

   RefineNet 2016年

   主要贡献：

   • 精心设计的译码模块
   • 所有模块遵循残余连接设计

   说明：

   膨胀卷积有几个缺点，如计算量大、需要大量内存。这篇文章采用编码-译码架构。编码部分是 ResNet-101 模块。译码采用 RefineNet 模块，该模块融合了编码模块的高分辨率特征和前一个 RefineNet 模块的抽象特征。

   每个 RefineNet 模块接收多个不同分辨率特征，并融合。看图。

   

   

   PSPNet 2016年

   Pyramid Scene Parsing Network 金字塔场景解析网络

   主要贡献：

   • 提出了金字塔池化模块来聚合图片信息
   • 使用附加的损失函数

   说明：

   金字塔池化模块通过应用大核心池化层来提高感知域。使用膨胀卷积来修改 ResNet 网，并增加了金字塔池化模块。金字塔池化模块对 ResNet 输出的特征进行不同规模的池化操作，并作上采样后，拼接起来，最后得到结果。

   附加的损失函数：看不懂

   

   Large Kernel Matters 2017

   主要贡献：

   • 提出了使用大卷积核的编码-译码架构

   说明：

   理论上更深的 ResNet 能有很大的感知域，但研究表明实际上提取的信息来自很小的范围，因此使用大核来扩大感知域。但是核越大，计算量越大，因此将 k x k 的卷积近似转换为 1 x k + k x 1 和 k x 1 + 1 x k 卷积的和。本文称为 GCN。

   本文的架构是：使用 ResNet 作为编译器，而 GCN 和反卷积作为译码器。还使用了名为 Boundary Refinement 的残余模块。

   

   DeepLab v3 2017

   主要贡献：

   • 改进 ASPP
   • 串行部署 ASPP 的模块

   说明：

   和 DeepLab v2 一样，将膨胀卷积应用于 ResNet 中。改进的 ASPP 指的是将不同膨胀率的膨胀卷积结果拼接起来。并使用了 BN 。

   于 Dilated convolutions (2015) 不一样的是，v3 直接对中间的特征图进行膨胀卷积，而不是在最后做。

   

对比

模型	分数 (VOC2012)
FCN	67.2
SegNet	59.9
Dilated Convolutions	75.3
DeepLab (v1 & v2)	79.7
RefineNet	84.2
PSPNet	85.4
Large Kernel Matters	83.6
DeepLab v3	85.7