语义分割--PANet和Understanding Convolution for Semantic Segmentation

语义分割

PAN Pyramid Attention Network for Semantic Segmentation

FCN作为backbone的结构对小型目标预测不佳，论文认为这存在两个挑战。

• 物体因为多尺度的原因，造成难以分类。针对这个问题，PSPNet和DeepLab引入了PSP和ASPP模块引入多尺度信息。论文引入了像素级注意力用于帮助提取精准的high-level 特征。
• **high-level的特征偏向于对类别分类，缺乏空间信息.**针对这个问题，常见的操作是采用U-shape结构网络，例如SegNet、Refinenet等。使用low-level帮助high-level恢复图片细节。然后这些都是很耗时的，论文提出了有效的decoder结构，称之为Global Attention Upsample(GAU),可以提取high-level的全局上下文用于对low-level信息加权。

Contributuions

• 提出了Feature Pyramid Attention module(FPA)将不同尺度上下文特征嵌入到现存的FCN结构上
• 提出了Global Attention Upsample(GAU)，一个有效的decoder模块
• 基于FPA和GAU，提出了Pyramid Attention Network(PAN)网络，在VOC2012 and cityscapes上获得了先进表现

Feature Pyramid Attention

PSPNet和DeepLab使用的PSP或ASPP结构结构如下：

PSPNet使用池化操作会有空间信息上的损失。DeepLab使用扩张卷积会存在缺少局部信息和”griding”(卷积核退化)现象。

受到注意力机制的启发，论文认为可使用注意力机制，将全局上下文信息作为先验知识引入到通道选择。但是仅仅有通道注意力机制是不够的，这依旧缺乏逐像素信息。论文提出了FPA模块，该模块融合了多尺度信息，以3×3，5×5，7×7三个卷积做金字塔结构，因为high-level的特征分辨率较小，故使用大的卷积核带来的计算负担不会太多。同时论文引入了全局池化分支用于进一步提升性能。如图所示：

得益于金字塔结构，FPA可以融合多尺度信息，产生更佳的像素级注意力应用于high-level特征。不同于PSPNet或ASPP需要做通道降维，论文的做法是上下文信息与原始的特征做逐像素乘。

Global Attention Upsample

现存的decoder结构上，如PSPNet和Deeplab都是直接双线性差值上采样得到预测结果，这可以看成是一个naive decoder。
DUC使用了多通道做reshape操作得到预测结果。这两类都缺乏多尺度信息，难以恢复空间信息。常见的encoder-decoder架构主要考虑使用使用多尺度信息逐步恢复边界，但是这些结构都较为复杂，带了较大的计算消耗。

因为high-level中有着丰富的语义信息，这可以帮助引导low-level的选择，从而达到选择更为精准的分辨率信息。论文提出了GAU结构，通过全局池化提供的全局信息作为指引选择low-level特征。其结构如下：

具体来讲，使用3×3卷积用于对低级特征做通道处理，然后使用全局池化后的信息做加权，得到加权后的low-level特征，再上采样，然后再与high-level信息相加。

Network Architecture

基于PFA和GAU, 论文提出了完整的PAN架构.

使用带有扩张卷积策略的Resnet101作为backbone，res5b使用dialted rate=2，最初的7×7卷积换成了3个3×3卷积。使用FPA模块去获取密集的像素级注意力信息，结合全局上下文，通过GAU模块最终产生了预测图。

本文来自 DFann 的CSDN 博客 ，全文地址请点击：https://blog.csdn.net/u011974639/article/details/82222866?utm_source=copy

Understanding Convolution for Semantic Segmentation

Abstract

本文介绍了两种操控卷积相关运算(convolution-related operations)方法用于提高语义分割效果:

• 设计密集上采样卷积(dense upsampling convolution,DUC)生成预测结果，这可以捕获在双线性上采样过程中丢失的细节信息。
• 设计混合空洞卷积框架(hybrid dilated convolution,HDC)，用于减轻扩张卷积产生的”gidding issue”影响，扩大接收野聚合全局信息。

Introduction

大部分应用在语义分割任务上的CNN系统可分为三类：

• **全卷积神经网络。**例如FCN. 使用卷积层代替FC层，提高训练和推断效率，并可接收任意大小输入；
• 使用CRF. 结构预测用于捕获图片内的本地和长距离依赖，用于细化分割结果；
• **使用空洞卷积。**增加中间featue map的分辨率，可在保持相同计算成本的同时提高预测精度。

大部分提高预测准确率的系统可分为两类：

• **使用更优秀的特征提取模型。**即使用VGG16、ResNet等预训练架构。这些更深的模型可对更复杂的信息建模，学习更有区分力的feature并可更好的区分类别。
• **使用CRF作为后端处理，**集成CRF到模型内构成end2end训练，并将额外的信息例如边缘合并到CRF内。

本文以另一个角度来提升性能，考虑到现在大多数模型分为encoding和decoding两部分：

1. 对于decoding：大多数模型在最终预测图的基础上，采用双线性插值上采样直接获得与输入同分辨率的输出，双线性插值没有学习能力并且会丢失细节。本文提出了密集上采样卷积(dense upsampling convolution,DUC)，取代了简单的双线性插值，学习一组上采样滤波器用于放大低分辨率的feature。DUC支持end2end，便于融入FCN网络架构中。
2. 对于encoding：使用扩张卷积可以扩大感受野，减少使用下采样(下采样丢失细节比较严重)。本文指出空洞卷积存在”girdding”问题(卷积核退化)，即空洞卷积在卷积核两个采样像素之间插入0值，如果扩张率过大，卷积会过于稀疏，捕获信息能力差。 本文提出了混合扩展卷积架构(hybrid dilation convolution,HDC): 使用一组扩展率卷积串接一下构成block，可扩大感受野的同时减轻”gridding”弊端。

从另一个角度想：DUC将整个label map(H,W,L)分为为d^2个等大小的子图(subparts)，每个子图和大小和Fout输出的feature map大小相同。也就是说将label map切分为(h,w,d2×L).
模型的整体结构如下,DUC应用在输出部分:

DUC以原始分辨率像素级解码，并且能够自然的集成到FCN框架中，使得整个编码和解码能以end2end方式训练。

---

作者：DFann
来源：CSDN
原文：https://blog.csdn.net/u011974639/article/details/79460893?utm_source=copy
版权声明：本文为博主原创文章，转载请附上博文链接！