(CVPR2019)图像语义分割(22) FickleNet-使用随机推理的用于弱监督和半监督的图像语义分割
论文地址： FickleNet: Weakly and Semi-supervised Semantic Image Segmentation using Stochastic Inference
1. 简介
弱监督图像语义分割的难点在于如何从粗糙的图像级别的标注中获取像素级别的的信息。大多数基于图像级别标注的方法都利用了从分类器得到的位置图，但是这些方法重点关注目标较小的显著的部分，并不能获得精准的边界。
论文提出FickleNet，探索深度卷积神经网络特征图不同位置的组合，学习神经网络各隐藏单元的一致性关系以识别目标的显著部分同时获得精准的边界以及其他部分。FickleNet通过Dropout层实现卷积神经网络隐藏层各单元的随机结合，为单幅图像上产生多个位置图，得到多个形状不同的区域，从而更快地描绘出目标的轮廓，如下图所示。
FickleNet可以视为不需要多个扩张率就可以匹配不同形状和尺寸目标的扩展卷积的推广，如下图所示。只需在任一语义分割模型上添加一简单层，就可以在Pascal VOC 2012上的弱监督和半监督方法中取得较好的效果。
2. 相关工作
介绍了弱监督近年来的思路和方法，主要有图像层级的区域隐藏或擦除，特征层级的隐藏或擦除以及区域生长的方法。
3. 方法思路
方法主要分为几步：首先通过FickleNet随机选择隐藏单元，用于训练多类别分类器；之后生成位置图；最终使用位置图上的伪标签训练语义分割模型。用 x ∈ R k × h × w x \in R^{k \times h \times w} x∈Rk×h×w表示标准深度卷积神经网络， k k k个宽度为 w w w高度为 h h h的通道。训练FickleNet并生成位置图的算法图下图：
3.1 隐藏单元的随机选取
第一步是隐藏单元的随机选取，它通过随机选择不同组合的隐藏单元计算分类的分数以发现不同单元之间的联系，这样的目的是将目标显著的部分和不显著的部分联系器来。这样的操作是通过在特征图 x x x的每一个滑动窗口上应用空间dropout，如下图所示，与传统dropout方法不同的是，仅在每一个前向传导上采样一次隐藏单元，没有被采样的隐藏单元将不会参与分类分数。该方法在每一个滑动窗口上采样隐藏单元，也就是一个隐藏单元可能在有的窗口被激活，有的却没有被激活。
该方法产生了许多不同尺寸和形状的感受野，如下图所示，一些感受野与扩张卷积有些相似，具体地，该选择方法通过带有中心保留dropout的扩张技术来实现。
3.1.1 特征图扩张
论文提出的方法需要在每一个滑动窗口的位置进行采样得到新的组合，无法直接应用通用的深度学习框架，如果按照上面介绍的方式来实现，需要在每一个前向传导中使用 w × h w \times h w×h次卷积操作和dropout操作，如下图所示。论文采用下面的方式将这些操作数减少。
如下图所示，论文将输入的特征图放大，避免滑动窗口重叠。在特征图扩张之前，论文为其添加zero padding，尺寸变为 k × ( h + s − 1 ) × ( w + s − 1 ) k \times (h+s-1) \times(w+s-1) k×(h+s−1)×(w+s−1)，这样保持输入输出的尺寸相同，其中 s s s是卷积核的尺寸。之后进行特征图扩张，得到 x e x p a n d x^{expand} xexpand尺寸为 k × ( s h ) × ( s w ) k \times (sh) \times (sw) k×(sh)×(sw)，然后在 x e x p a n d x^{expand} xexpand上使用下一节提到的中心保留dropout技术选取隐藏单元。尽管这样会增加GPU内存占用，但是其呈常数增加，不会爆炸。
3.1.2 中心保留空间Dropout
论文在空间位置上应用dropout实现隐藏单元的随机选取，通过在扩张过的特征图上应用dropout，这个dropout操作时保留卷积核中心的，这样核中间和其他位置的关系可以找到。通过一个rate为 p p p的dropout后，特征图为 x p e x p a n d x_p^{expand} xpexpand，另外论文在训练和推断中都是用了dropout。
3.1.3 分类
为了得到分类分数，使用卷积核尺寸和步长都为 s s s的卷积操作应用在 x p e x p a n d x_p^{expand} xpexpand，这样得到一个新的输出特征图 c × w × h c \times w \times h c×w×h，其中 c c c是类别数。之后应用全局平均池化和一个sigmoid方法得到分类分数。然后使用sigmoid交叉熵损失更新FickleNet的参数。
3.2 位置图的推理
之后的步骤是从一张图上获得多个分类分数，每一个都产生了一个位置图。下面的两个操作一个是为了从每一个随机选取上获得位置图，一个描述了如何将这些随机选取集成在单个位置图。
3.2.1 Grad-CAM
论文使用基于梯度的CAM方法获取位置图，该方法能够发现每一个隐藏单元对分类分数的贡献，即根据特征图计算目标类别分数的梯度，然后在通道维度把特征图相加，以这些梯度维权中，公式如下：
G r a d − C A M c = R e L U ( ∑ k x k × ∂ S c ∂ x k ) Grad-CAM^c=ReLU(\sum _k x_k \times \frac{\partial S^c}{\partial x_k}) Grad−CAMc=ReLU(k∑xk×∂xk∂Sc)
其中 x k ∈ R w × h x_k \in R^{w \times h} xk∈Rw×h是特征图 x x x的第 k k k个通道， S c S^c Sc是类别 c c c的分类分数。
3.2.2 将位置图集成
FickleNet从单张图像上获得多个位置图，因为隐藏单元的不同组合都会用来计算每一个随机选取的分类分数，这样得到了 N N N个位置图，每一个位置图中位置 u u u处的像素点的分类分数都高于阈值或者该位置处分类分数最多的一个类别集成在输出图上。
3.3 训练分割网络
上面提到的位置图带有伪标签，用于分割网络的训练，损失函数如下：
L = L s e e d + L b o u n d a r y + α L f u l l L=L_{seed}+L_{boundary}+\alpha L_{full} L=Lseed+Lboundary+αLfull
L s e e d L_{seed} Lseed是论文DSRG中的两个损失，且：
L f u l l = − 1 ∑ c ∈ C ∣ F c ∣ ∑ c ∈ C ∑ u ∈ F c l o g H u , c L_{full}=-\frac{1}{\sum_{c\in C}|F_c|} \sum_{c \in C} \sum_{u \in F_c}logH_{u,c} Lfull=−∑c∈C∣Fc∣1c∈C∑u∈Fc∑logHu,c
其中 H u , c H_{u,c} Hu,c是分割图 H H H上类别 c c c在位置 u u u上的概率， F c F_c Fc是groudtruth掩码。
4. 实验结果
基础分割网络使用DeepLab-VGG16时VOC2012验证集和测试集上的弱监督结果
础分割网络使用DeepLab-ResNet时VOC2012验证机和测试集上的弱监督结果
DeepLab-based半监督方法在VOC2012验证集上的结果
使用特征图扩张带来的内存占用和时间
不同dropout率的影响
定性分析
不同的N的选取
和DSRG方法对比
5. 结论
论文旨在解决只用图像级别标注的语义分割方法的问题，在训练和推断时随机选择特征，为单幅图像获得多个不同的位置图，最后集成在一张位置图中。GPU占用有些许增加但是可以接受，并且在许多弱监督和半监督方法上取得了更好的效果。
欢迎扫描二维码关注微信公众号 深度学习与数学 [每天获取免费的大数据、AI等相关的学习资源、经典和最新的深度学习相关的论文研读，算法和其他互联网技能的学习，概率论、线性代数等高等数学知识的回顾]
