(2016.4.17)文献总结Learning Hierarchical Features for Scene Labeling

LearningHierarchical Features for Scene Labeling

Introduction:

Full-scenelabeling 就是 scene parsing

关键在于用ConNet提取特征向量！！！

1.sceneparsing的困难之处在于一个过程里要结合detection, segmentation,multilabel recognition.

2.问题有两个：一是对视觉信息产生好的表达，二是使用背景信息保证对图片解释的一致性

3.文章的主要方法：使用卷积神经网络（引用Lecun的文本识别的论文）

                 卷积神经网络用原始像素的图片，以监督学习方式训练分类

                 每一层包括filterbank module, nonlinearity, spatial pooling mudule

4.multiscaleConNet解决像素分类依赖于小范围的信息，也依赖于长范围的信息。

5.过程：1）使用图方法来产生分割类别的假设。2）candidate segment（CS理解为测试部分）提取特征。3）用CFR或其他图方法被训练用来对CS产生标签（分类）

改进的方法在于使用大的背景窗来标志像素，减少对处理方法的要求

Sceneparsing系统分为两部分：

1.multiscaleconvolutional networks

g(I)是对输入图像做Laplacian pyramid变换，不同的scale，得到特征。缺点是没法准确突出区域的边界。用superpixel来得到图像的轮廓natural contours.

2.graphbased classification

Superpixels：simple and effective, butsuboptimal

CRF oversuperpixels：有效避免局部超越（如人在空中），但是没有用处，multiscale featurerepresentation已经把景色层次的关系考虑进去了。

MultilevelCut with Class Purity Criterion：下文细说

Relatedworks:

Learning Object-Class Segmentation withConvolutional Neural Networks,2012

Deep Convolutional Networks for SceneParsing,2009

 

Multiscale feature extraction for scene parsing

1.scale-invariant,scene-level feature extraction

  好的internal representation是分层次的

  Pixel edglets motifs parts objectsscenes

The input and output of each stage---feature maps

三层的ConvNet：

前两层有一堆滤波器F1，F2，F3还有f1,f2,f3。第三层只有一堆滤波器F。

滤波器即卷积内核是来自训练。每一堆滤波器都是移不变的（输入怎么移输出怎么移）

全景理解需要系统在完整图像的规模方面建模复杂的相互关系。

上图是multiscale pyramid的示意图，目的是产生不同大小的图片。有Gaussian pyramid、Laplacian pyramid、Steerable pyramid。对输入图像使用Laplacian pyramid得到不同大小的图片。并且预处理使得local neighborhoods有0均值和单位方差。Fs可以被视作是一系列的线性变换，其中穿插着非线性变换（比如sigmoid函数，这篇文章用tanh函数）

Fs有共L层layer（和上面说的层不同，上面说的层是stage）如下，在l层的隐含矩阵单元如下

滤波器WL和偏移量bL用\theta_s表示。Pool是一个考虑近邻的activations并且每个近邻产生一个activation值。参见（http://blog.csdn.net/zhoubl668/article/details/24801103）。得到F函数，a map of feature vectors，u(.)是上采样函数。

权重（应该是滤波器WL）在fs之间是共享的，这样的好处是迫使网络学习规模不变的特征（应该是图片被缩小后其卷积后的特征矩阵也要相应缩小）并且减少过拟合的可能性。

Learning discriminative scale-invariant features

理想情况下，线性分类器应该对每一个像素产生正确的分类，根据向量Fi。训练\theta来达到这一目标，用多类cross entropy函数。Ci是归一化的对像素i的预测，用softmax函数归一化。

Scene labeling strategies

   最简单的方法用预测的argmax对于像素i。得到标记，

Superpixels超像素的方法

使用两层的网络让系统抓住不同规模下特征的非线性关系。W1，W2是可训练参数，dk,a是超像素块上所有像素点的平均。

Conditional RandomFields（待学习，貌似和MRF挺多不一样的）

在超像素的基础上完善传统的CRF，因为超像素不包含对景色的总体理解。虽然ConvNet有能力表达景色的整体关系，但是CRF能加强这一特性。策略是将图片与数据结构上的图联合，定义energy函数找最优。

过程不解释。。。

 

Parameter-free multilevel parsing

   以上两种方法是基于对图像的随意分割，会将图片分解的过小或过大。本文提出提出一种分类的方法来分析一个分割集（family of segments）然后对于每一个像素自动发现最好的观察层次。一个这种分割集特别的方案是分割树，分割树（segment tree）上的分割是按照等级组织的。此方法不仅限于这种分割树，还可用于近邻的随意集（？）。

   “超像素分割”或“分层图像分割”(两篇最经典的文献)直接用得到Ck，成分（component）Ck是图像上所有与定义的网格相连的成分（k=1…K），Sk是与每一个成分的cost，对每一个像素i，想要找到k*(i)（表示成分的索引，就是第几个成分，1…K），能最好的解释这个像素i（cost最小）。

接着Ck的元素太多，只能考虑他的一个子集，下图为例，圆圈旁的数值是Sk*(i)，圆圈内是Ck*(i)，找到最佳覆盖的集合C，只要找到每个分支上最小权重的点Ck。另外一种方法，用不同的合并阈值在“超像素分割”算法中，找到最佳覆盖的方法是。。。

产生confidence costs（给定Ck，怎么求Sk）