论文阅读学习 - (DeeplabV3+)Encoder-Decoder with Atrous Separable Convolution

论文阅读学习 - (DeepLabV3+)Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation

[Paper]

[Code-TensorFlow]

摘要:

空间金字塔池化模块(spatial pyramid pooling,SPP) 和 编码-解码结构(encode-decoder) 用于语义分割的深度网络结构. SPP 利用对多种比例(rates)和多种有效接受野(fields of view)的不同分辨率特征处理,来挖掘多尺度的上下文内容信息. 解编码结构逐步重构空间信息来更好的捕捉物体边界.

DeepLabv3+ 对 DeepLabV3 添加了一个简单有效的解码模块,提升了分割效果,尤其是对物体边界的分割. 基于提出的编码-解码结构,可以任意通过控制 atrous convolution 来输出编码特征的分辨率,来平衡精度和运行时间(已有编码-解码结构不具有该能力.).

DeepLabV3+ 进一步利用 Xception 模块,将深度可分卷积结构(depthwise separable convolution) 用到带孔空间金字塔池化(Atrous Spatial Pyramid Pooling, ASPP)模块和解码模块中,得到更快速有效的 编码-解码网络.

DeepLabV3 采用多个不同比例的并行 atrous conv 来挖掘不同尺度的上下文信息,记为 ASPP.

PSPNet 对不同尺度的网络进行池化处理,处理多尺度的上下文内容信息.

深度网络最后层输出的 feature map 虽然能够编码丰富的语义信息,但由于 pooling 和不同步长的卷积处理,会导致物体边界信息丢失. 且,计算 GPU 显存占用较多.

编码-解码模型编码计算速度快,且解码能够逐步重构更好的物体边界.

DeepLabV3 的输出能够编码丰富的语义信息,其利用 atrous 卷积来控制编码输出的特征分辨率,取决于计算资源.

DeepLabV3+ 新添加了解码模块来重构精确的图像物体边界,如 Fig 1.
论文阅读学习 - (DeeplabV3+)Encoder-Decoder with Atrous Separable Convolution_第1张图片
Fig 1. SPP、Encoder-Decoder 和 Encoder-Decoder with Atrous Conv(DeepLabV3+ ) 网络结构对比.

深度可分离卷积结构(depthwise separable convolution) 和 group convolution 能够有效降低计算量与参数量,同时保持模型表现.

1. Encoder-Decoder with Atrous Convolution

1.1 Atrous Convolution

Atrous Convolution 扩展了标准的网络卷积操作,其通过调整卷积 filter 的接受野来捕捉多尺度的上下文内容信息,输出不同分辨率的特征.

以 2D 信号为例,对于输出 feature map y y 的每个位置 i i ,卷积 filter w w ,输入 feature map x x ,atrous 卷积计算为:

y[i]=kx[i+rk]w[k] y [ i ] = ∑ k x [ i + r ⋅ k ] w [ k ] (1)

atrous rate r r 是对输入信号的采样步长.

标准的卷积操作等价于 r=1 r = 1 .

1.2 Depthwise separable convolution

深度可分卷积操作,将标准卷积分解为一个 depthwise conv,depthwise conv 后接 pointwise conv(如, 1×1 1 × 1 conv),有效的降低计算复杂度.

depthwise conv 对每一个输入通道(channel) 分别进行 spatial conv;

pointwise conv 用于合并 depthwise conv 的输出.

TensorFlow 实现的 depthwise separable conv 已经在 depthwise conv 中支持 atrous conv.

1.3 DeepLabv3 as encoder

DeepLabV3 采用 atrous conv 来提取不同分辨率的特征.

这里,记,输入图片空间分辨率与最终输出分辨率(在 global pooling 或 FCN 层之前的输出 feature map)的比率为输出步长( output_stride o u t p u t _ s t r i d e ).

图像分类 - 最终输出 feature map 的空间分辨率一般是输入图片的 1/32,即 output_stride=32 o u t p u t _ s t r i d e = 32 .

语义分割 - 一般为 output_stride=16 o u t p u t _ s t r i d e = 16 output_stride=8 o u t p u t _ s t r i d e = 8 .

DeepLabV3 采用 ASPP 模块,采用不同比率的 atrous conv 来得到不同尺度的卷积特征.

DeepLabV3+ 采用DeepLabV3 输出的 feature map 作为提出的 编码-解码结构的编码输出. 编码输出 feature map 是 256 channels 的,包含丰富的语义信息.

另外,还可以根据计算资源,通过 atrous conv 来提取任意分辨率的 feature.

1.4 DeepLabV3++ Proposed decoder

DeepLabV3 输出的编码特征,一般 output_stride=16 o u t p u t _ s t r i d e = 16 .

DeepLabV3 中的对 feature map 采用因子为 16 的双线性插值(bilinearly upsampled)处理,可以看做是 naive 的解码模块,但不足以重构物体分割细节.

DeepLabV3+ 提出的解码模块,如图:
论文阅读学习 - (DeeplabV3+)Encoder-Decoder with Atrous Separable Convolution_第2张图片

DeepLabV3++ 解码模块中,首先将编码特征采用因子 4 的双线性上采样;然后,连接(Concatenation)从主干网络所输出的对应的具有相同空间分辨率的 low-level 特征(如,ResNet-101 中 Conv2).

由于对应的 low-level 特征往往包含较多的 channels(如256, 512),可能会超过输出编码特征(这里输出 256 channels) 导致训练困难,故在连接(Concatenation)操作前,采用 1×1 1 × 1 卷积对 low-level 特征进行操作,以减少 channels 数.

连接(Concatenation) 处理后,采用 3×3 3 × 3 卷积和因子 4 的双线性上采样来改善特征.

output_stride=16 o u t p u t _ s t r i d e = 16 的编码模块输出,取得了速率和精度的平衡.

output_stride=8 o u t p u t _ s t r i d e = 8 的编码模块输出,精度更高,但计算复杂度增加.

2. Modified Aligned Xception

Xception 模型 已经在图像分类上取得了快速计算.

MSRA 提出的改进版本 Aligned Xception 在目标检测中实现了快速计算.

这里,基于 Aligned Xception 进行一些改进:

  • 相同深度 Xception,除了没有修改 entry flow network 结构,以快速计算和内存效率.
  • 采用 depthwise separable conv 来替换所有的 max-pooling 操作,以利用 atrous separable conv 来提取任意分辨率的 feature maps.
  • 在每个 3×3 3 × 3 depthwise conv 后,添加 BN 和 ReLU,类似于 MobileNet.

改进的 Xception 结构如图:
论文阅读学习 - (DeeplabV3+)Encoder-Decoder with Atrous Separable Convolution_第3张图片

3. Experiments

  • ResNet-101/Modified Aligned Xception - atrous conv 提取 feature maps.
  • TensorFlow
  • PASCAL VOC 2012 - 20 object classes 和 1 background class.
  • crop_size=513×513 c r o p _ s i z e = 513 × 513 initial_learning_rate=0.007 i n i t i a l _ l e a r n i n g _ r a t e = 0.007 ,poly,fine-tune.
  • output_stride=16 o u t p u t _ s t r i d e = 16 ,随机裁剪数据增强.

3.1 Decoder Design Choices

论文阅读学习 - (DeeplabV3+)Encoder-Decoder with Atrous Separable Convolution_第4张图片
论文阅读学习 - (DeeplabV3+)Encoder-Decoder with Atrous Separable Convolution_第5张图片

3.2 ResNet-101 as Network Backbone

论文阅读学习 - (DeeplabV3+)Encoder-Decoder with Atrous Separable Convolution_第6张图片

3.3 Xception as Network Backbone

论文阅读学习 - (DeeplabV3+)Encoder-Decoder with Atrous Separable Convolution_第7张图片
论文阅读学习 - (DeeplabV3+)Encoder-Decoder with Atrous Separable Convolution_第8张图片
论文阅读学习 - (DeeplabV3+)Encoder-Decoder with Atrous Separable Convolution_第9张图片
论文阅读学习 - (DeeplabV3+)Encoder-Decoder with Atrous Separable Convolution_第10张图片

3.4 Improvement along Object Boundaries

论文阅读学习 - (DeeplabV3+)Encoder-Decoder with Atrous Separable Convolution_第11张图片
论文阅读学习 - (DeeplabV3+)Encoder-Decoder with Atrous Separable Convolution_第12张图片

Releated

[1] - 论文阅读理解 - (Deeplab-V3)Rethinking Atrous Convolution for Semantic Image Segmentation

[2] - 论文阅读理解 - Semantic Image Segmentation With Deep Convolutional Nets and Fully Connected CRFs

[3] - 论文阅读理解 - Pyramid Scene Parsing Network

[4] - 论文阅读理解 - Dilated Convolution

[5] - DeepLabv3+:语义分割领域的新高峰 - PaperWeekly

你可能感兴趣的:(语义分割,论文阅读,语义分割)