Semantic Segmentation--SegNet:A Deep Convolutional Encoder-Decoder Architecture..论文解读

---

title: Semantic Segmentation–SegNet:A Deep Convolutional Encoder-Decoder Architecture…论文解读
tags:

• Object Detection
• Semantic Segmentation
• SegNet
  categories: Paper Reading
  date: 2017-11-10 16:58:36
  mathjax: true
  description: Semantic Segmentation - SegNet，代表性的Encoder-Decoder结构，创新之处在于使用Encoder下采样时池化索引来做Decoder上采样的指引.

---

Semantic Segmentation简介

在解读论文之前，先看看Semantic Segmentation这个topic是干啥的。

这里引用知乎的一个提问答案：Semantic Segmentation–知乎-周博磊

图1.image classification, object detection, semantic segmentation, instance segmentation之间的关系. 摘自COCO dataset

Semantic Segmentation的目的是在一张图里分割聚类出不同物体的像素(pixel). 目前的主流框架都是基于FCN的(即Fully Convolutional Neural Networks)．FCN区别于物体识别网络诸如AlexNet最主要的差别是逐像素预测(pixel-wise prediction)，即每个像素点都有个probability, 而AlexNet是一张图一个prediction．

Semantic Segmentation的其他典型代表还有诸如SegNet,Dilated Convolution Net ,deconvolutionNet等。 这其中牵涉到deconvolution, dilated convolution, atrous convolution这几个概念的争论（可参考Dilated Convolutions and Kronecker Factored Convolutions介绍）．

Semantic Segmentation的不足在于：虽然把图片里人所在的区域分割出来了，但是本身并没有告诉这里面有多少个人，以及每个人分别的区域。而这个就跟instance segmentation联系了起来，如何把每个人的区域都分别分割出来，是比semantic segmentation要难不少的问题．基于semantic segmentation来做instance segmentation的论文，大家可以看看Jifeng Dai最近的几篇论文：1，2. 大致做法是在dense feature map上面整合个instance region proposal/score map/RoI, 然后再分割.

图2. Scene Parsing (MIT Scene Parsing Challenge 2016) from ADE20K dataset. 每张图的物体以及位置都标注

总结一下, instance segmentation其实是semantic segmentation和object detection殊途同归的一个结合点, 是个挺重要的研究问题. 非常期待后面能同时结合semantic segmentation和object detection两者优势的instance segmentation算法和网络结构.（Mask R-CNN等系列正在突破~~）

下面回归正题，SegNet论文解读~

---

SegNet论文解读

SegNet:A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation

收录：PAMI2017(IEEE Transactions on Pattern Analysis and Machine Intelligence)

原文地址：SegNet

实现代码:

• github
• TensorFlow

效果图

摘自Fate-fjh Blog:

---

Abstract

论文提出了一个全新的全卷积的Semantic Segmentation模型：SegNet。
模型主要由：编码网络(encoder network),解码网络(decoder network)和逐像素分类器(pixel-wise classification layer)组成。SegNet的新颖之处在于decoder阶段的上采样方式，具体来说，decoder时上采样使用了encoder阶段下采样的最大池化的索引(indices)。考虑到上采样是稀疏的，再配合滤波器产生最后的分割图。

SegNet在inference期间占用的存储量和计算时间相比于其他模型(FCN,DeepLab,etc)效果都比较好。官方提供的教程地址http://mi.eng.cam.ac.uk/projects/segnet.

---

Introduction

Semantic Segmentation常用于道路场景分割，大多数像素属于大类，需要平滑的分割，模型要能够依据形状提取物体，这需要保留好的边界信息，从计算的角度来考虑，需要有效的存储量和计算时间。而现有的Semantic Segmentation的问题在于：最大池化和下采样会降低feature map的分辨率(即降低feature map分辨率会损失边界信息)，SegNet针对这一问题设计了将低分辨率feature map映射到高分辨率的方法(利用池化索引)，从而产生精确边界的分割结果。

SegNet的encoder部分使用的是VGG16的前13层(即使用预训练的VGG16做特征提取层)，核心在于decoder部分，decoder对应encoder的每一层，decoder的上采样使用的时encoder下采样的索引，这样做有以下几个优点：

• 改善边界描述
• 减少end2end的训练参数
• 这样的形式可用于多种encoder-decoder架构

本文的主要贡献在于：

• 对比分析SegNet的decoder和FCN
• 在CamVid和SUN RGB-D上评估了模型

---

Related Work

传统的Semantic Segmentation方法：用随机森林(RF),Boosting等做类别的中心预测，用SfM提取特征，配合CRF提高预测精度。但是这些方法效果都不好，总结原因是这些方法都需要提高分类特征。

而近期深度卷积网络在分类问题上表现出色，考虑将深度网络应用到Semantic Segmentation上，例如：FCN，效果比传统方法好很多。有工作将RNN、条件随机场(CRF)引入配合decoder做预测，有助于提高边界描绘能力，并且指出了，CRF-RNN这一套可以附加到包括SegNet在内的任何深度分割模型。

现有的多尺度的深度神经网络架构的应用，常见两种形式：

• 将输入放缩为多个尺度得到相应的feature map
• 将一张图送到模型，得到不同层的feature map

**这些方法的共同想法都是使用多尺度信息将高层的feature map包含的语义信息与底层的feature map包含的精度信息融合到一起。**但是，这样方法参数多，比较难训练。(16年以后的方法都是这个方法，哈哈~)

---

Architecture

SegNet的网络结构如下图，总体由以下部分组成：

• 编码网络(encoder network):由13个卷积层组成(使用的时预训练的VGG16的前13层)，该部分提取输入特征，用于目标分类，这就是使用预训练的VGG原理所在，至于丢弃FC层是为了保持更高的分辨率，同时也减少了参数。
• 解码网络(decoder network):每个encoder会对应一个decoder，故decoder具有13层，将低分辨率的feature map映射回和输入一样大小分类器(mask).
• 像素分类层(pixelwise classification layer)：decoder的输出会送到分类层，最终为每个像素独立的产生类别概率

• encoder network
  Encoder network分为5个block，每个block由Conv+BN + MaxPooling组成，MaxPooling实现下采样操作，核长为2，步长为2.

因为使用的pre-train的VGG16模型的前13层，模型的参数会减少很多(FC层没了，参数少了很多)。当然这和原始的VGG16是有区别的，如上图。卷积层使用的是`Conv + Batch Norm + ReLU`结构。

• decoder network

模型在encoder network时使用Pooling时会记录Pooling Indices(pooling前后的对应位置)，在decoder network会用前面记录的位置还原，这也是论文的创新之处。 decoder network同样也为5个block，每个block由Upsampling + Conv + BN组成，需要注意的decoder阶段是没有加非线性激活的(即没有ReLU)。

• 分类层
  在decoder输出上加一个卷积层，卷积核个数为分类的通道数，即每个通道代表一类分割结果

网络细致结构可看后面代码分析~

decoder变体

SegNet-Basic: SegNet的较小版本，4个encoder和4个decoder，

• encoder阶段是LRN + (Conv+BN +ReLU + MaxPool)x4 论文给出的时卷积不使用bias
• decoder阶段是(UpPool+Conv+ BN)x4 + Conv(分割层)

卷积核大小一直使用的时$7\times 7$，最高层的feature map接收野是原图的$106\times 106$大小。

---

这里简单讲一下接收野怎么算的(这个我在SPPNet论文分析有笔记)：

对于池化层和卷积层公式为：$$S_{rf}=((S_{rf}-1)\ast Stride)+K_{size}$$其中$S_{rf}$是从高层feature向底层feature迭代计算，$Stride$为步长，$K_{size}$为卷积核大小.

故从最高层的feature$1\times 1$开始计算：

最终追到原图可以覆盖$106\times 106$大小.

---

---

Experiment

对比SegNet和FCN实现decoder

SegNet在UpPool时使用的是index信息，直接将数据放回对应位置,后面再接Conv训练学习。这个上采样不需要训练学习(只是占用了一些存储空间)。

FCN采用transposed convolutions策略，即将feature 反卷积后得到upsampling，这一过程需要学习，同时将encoder阶段对应的feature做通道降维，使得通道维度和upsampling相同，这样就能做像素相加得到最终的decoder输出.

这里对不同类型decoder的做了如下实验:

实验设置如下表：

设置	参数
数据集	CamVid
数据预处理	局部对比归一化，Shuffle
优化器	SGD，lr=0.1,momentum=0.9
batch	12
损失函数	交叉熵损失，配合类别加权损失
迭代次数	iter:1000 x epoch:33
实现工具	Caffe

结果如下：

横轴	参量
各种不同的变体	含义
Bilinear-Interpolation	上采样使用双线性插值，不需要学习，参数少，速度快，效果不是很好
SegNet-Basic	SegNet基础版本，4个encoder层和4个decoder层，decoder阶段每个上采样后都会通过相同通道数的$7\times 7$卷积核
SegNet-Basic-EncoderAddition	decoder阶段上采样后的feature，加上encoder对应阶段的feature，通过卷积核把通道数降下来
SegNet-Basic-SingleChannelDecoder	decoder阶段上采样后每个通道单独对应一个单通道的卷积核，这个参数少
FCN-Basic	FCN基础版，反卷积后加上encoder阶段通道降维的feature，得到最终输出
FCN-Basic-NoAddition	反卷积直接得到输出，不加encoder阶段的feature了
FCN-Basic-NoDimReduction	反卷积和加上encoder阶段不降维的feature，得到最终输出
FCN-Basic-NoAddition-NoDimReduction	没看懂~

度量标准	含义
全局准确率(global accuracy(G))	在数据集上总体的准确率
类平均准确率(class average accuracy ©)	平均每个类别的准确率
mean intersection over union (mIoU)	类平均IoU
BF	图像的F1测量平均值
其他参数	含义
$Params(M)$	可训练参数大
$Stroagemultiplier$	feature map或index存储值
$Infertime$	取50次前向时间的平均值

上述实验结果：

• 当encoder的所有feature都保存下来，即FCN-Basic-NoDimReduction，效果最佳。这主要体现在BF(语义轮廓描绘度量)值上.
• 当inference的存储受限时，可适当的减少feature通道，配合decoder可得到折中的效果
• 上采样学习是比单纯的双线性插值效果要好，这强调了学习decoder的必要性。
• 相比于FCN，SegNet有更少的内存利用率和更高效的计算。

CamVid & SUN RGB-D

在CamVid上与传统方法相比:

与使用CRF的方法相比，SegNet具有明显的竞争力，这显示了深层架构提取特征和映射准确平滑标签的能力。

与其他深层网络相比：

在SUN RGB-D上与其他深层网络相比:

效果还算可以~

---

Conclusion

模型主要在于decoder阶段的upsampling使用的时encoder阶段的pooling信息，这有效的提高了内存利用率，同时提高了模型分割率。但是吧，SegNet的inference相比FCN没有显著提升，这样end-to-end的模型能力还有待提升。

更值得学习的是这篇paper的整体写作架构~

---

代码分析

原本准备分析论文作者Alex Kendall在github上给出的Caffe-SegNet代码的。

考虑到现在用TensorFlow的比较多，就找了一个TF-SegNet版本(这是基于TensorFlow-SegNet改进的)。

注意：这里只看了SegNet-Basic版本的~

应用层定义

直接看AirNet-layer.py,这里实现了SegNet常用层，尤其是带index的上采样。

import numpy as np
import tensorflow as tf
FLAGS = tf.app.flags.FLAGS

def unpool_with_argmax(pool, ind, name = None, ksize=[1, 2, 2, 1]):
    """
       带index的上采样
       Unpooling layer after max_pool_with_argmax.
       Args:
           pool:   max pooled output tensor
           ind:      argmax indices 下采样的index
           ksize:     ksize is the same as for the pool
       Return:
           unpool:    unpooling tensor
    """
    with tf.variable_scope(name):
        input_shape = pool.get_shape().as_list()
        output_shape = (input_shape[0], input_shape[1] * ksize[1], input_shape[2] * ksize[2], input_shape[3])

        flat_input_size = np.prod(input_shape)
        flat_output_shape = [output_shape[0], output_shape[1] * output_shape[2] * output_shape[3]]

        pool_ = tf.reshape(pool, [flat_input_size])
        batch_range = tf.reshape(tf.range(output_shape[0], dtype=ind.dtype), shape=[input_shape[0], 1, 1, 1])
        b = tf.ones_like(ind) * batch_range
        b = tf.reshape(b, [flat_input_size, 1])
        ind_ = tf.reshape(ind, [flat_input_size, 1])
        ind_ = tf.concat([b, ind_], 1)

        ret = tf.scatter_nd(ind_, pool_, shape=flat_output_shape)
        ret = tf.reshape(ret, output_shape)
        return ret

最后的分类层:

def conv_classifier(input_layer, initializer):
    '''
    最后的分类层 输出的层数由FLAGS.num_class指定
    # output predicted class number (2)
    '''
    #all variables prefixed with "conv_classifier/"
    with tf.variable_scope('conv_classifier') as scope:
        shape=[1, 1, 64, FLAGS.num_class]
        kernel = _variable_with_weight_decay('weights', shape=shape, initializer=initializer, wd=None)
        #kernel = tf.get_variable('weights', shape, initializer=initializer)
        # 再卷积，每个通道对应一类分割结果
        conv = tf.nn.conv2d(input_layer, filter=kernel, strides=[1, 1, 1, 1], padding='SAME')
        biases = _variable_on_cpu('biases', [FLAGS.num_class], tf.constant_initializer(0.0))
        conv_classifier = tf.nn.bias_add(conv, biases, name=scope.name)
    return conv_classifier

Conv+BN组合层，BN层：

def conv_layer_with_bn(initializer, inputT, shape, is_training, activation=True, name=None):
    '''
        Conv+BN组合
    '''
    in_channel = shape[2]
    out_channel = shape[3]
    k_size = shape[0]

    with tf.variable_scope(name) as scope:
        kernel = _variable_with_weight_decay('weights', shape=shape, initializer=initializer, wd=None)
        #kernel = tf.get_variable(scope.name, shape, initializer=initializer)
        conv = tf.nn.conv2d(inputT, kernel, [1, 1, 1, 1], padding='SAME')
        biases = tf.Variable(tf.constant(0.0, shape=[out_channel], dtype=tf.float32),
                       trainable=True, name='biases')
        bias = tf.nn.bias_add(conv, biases)

        if activation is True: #only use relu during encoder
            conv_out = tf.nn.relu(batch_norm_layer(bias, is_training, scope.name))
        else:
            conv_out = batch_norm_layer(bias, is_training, scope.name)
    return conv_out

def batch_norm_layer(inputT, is_training, scope):
      return tf.cond(is_training,
            lambda: tf.contrib.layers.batch_norm(inputT, is_training=True,
                           center=False, decay=FLAGS.moving_average_decay, scope=scope),
            lambda: tf.contrib.layers.batch_norm(inputT, is_training=False,
                           center=False, reuse = True, decay=FLAGS.moving_average_decay, scope=scope))

权重衰减和变量存储设置：

def _variable_with_weight_decay(name, shape, initializer, wd):
    """ Helper to create an initialized Variable with weight decay.
        Note that the Variable is initialized with a truncated normal distribution.
        A weight decay is added only if one is specified.
    Args:
        name: name of the variable
        shape: list of ints
        stddev: standard deviation of a truncated Gaussian
        wd: add L2Loss weight decay multiplied by this float. If None, weight
            decay is not added for this Variable.
    Returns:
        Variable Tensor
    """
    var = _variable_on_cpu(name, shape, initializer)

    if wd is not None:
        weight_decay = tf.multiply(tf.nn.l2_loss(var), wd, name='weight_loss')
        tf.add_to_collection('losses', weight_decay)
    return var


def _variable_on_cpu(name, shape, initializer):
    """Helper to create a Variable stored on CPU memory.
    Args:
        name: name of the variable
        shape: list of ints
        initializer: initializer for Variable
    Returns:
        Variable Tensor
    """
    with tf.device('/cpu:0'):
    #dtype = tf.float16 if FLAGS.use_fp16 else tf.float32 #added this after, cause it was in cifar model
        var = tf.get_variable(name, shape, initializer=initializer)#, dtype=dtype)
    return var

模型定义

SegNet网络结构定义：inference.py

encoder部分：

文件的Basic版本关于encoder network:

def get_weight_initializer():
    if(FLAGS.conv_init == "var_scale"):
        initializer = tf.contrib.layers.variance_scaling_initializer()
    elif(FLAGS.conv_init == "xavier"):
        initializer=tf.contrib.layers.xavier_initializer()
    else:
        raise ValueError("Chosen weight initializer does not exist")
    return initializer


def inference_basic(images, is_training):
    """ 
      Args:
        images: Images Tensors (placeholder with correct shape, img_h, img_w, img_d)
        is_training: If the model is training or testing
    """
    initializer = get_weight_initializer()
    img_d = images.get_shape().as_list()[3]
    
    '''  encoder阶段  '''
    norm1 = tf.nn.lrn(images, depth_radius=5, bias=1.0, alpha=0.0001, beta=0.75,
                         name='norm1')
    conv1 = conv_layer_with_bn(initializer, norm1, [7, 7, img_d, 64], is_training, name="conv1")
    pool1, pool1_indices = tf.nn.max_pool_with_argmax(conv1, ksize=[1, 2, 2, 1],
                            strides=[1, 2, 2, 1], padding='SAME', name='pool1')

    conv2 = conv_layer_with_bn(initializer, pool1, [7, 7, 64, 64], is_training, name="conv2")
    pool2, pool2_indices = tf.nn.max_pool_with_argmax(conv2, ksize=[1, 2, 2, 1],
                            strides=[1, 2, 2, 1], padding='SAME', name='pool2')

    conv3 = conv_layer_with_bn(initializer, pool2, [7, 7, 64, 64], is_training, name="conv3")
    pool3, pool3_indices = tf.nn.max_pool_with_argmax(conv3, ksize=[1, 2, 2, 1],
                            strides=[1, 2, 2, 1], padding='SAME', name='pool3')

    conv4 = conv_layer_with_bn(initializer, pool3, [7, 7, 64, 64], is_training, name="conv4")
    pool4, pool4_indices = tf.nn.max_pool_with_argmax(conv4, ksize=[1, 2, 2, 1],
                            strides=[1, 2, 2, 1], padding='SAME', name='pool4')

可以看到上来就是一个LRN，做数据归一化（这里想吐槽的是VGG论文里面说LRN没啥用，这encoder用的还是VGG的结构，interesting_{），然后就是`Conv+BN+MaxPool`来4套，这里卷积核尺寸用的比较大，都是64个$7×7$。总的来说没啥新的东西}

dncoder部分：

关于decoder network:：

    """  End of encoder - starting decoder """
    unpool_4 = unpool_with_argmax(pool4, ind=pool4_indices, name='unpool_4')
    conv_decode4 = conv_layer_with_bn(initializer, unpool_4, [7, 7, 64, 64], is_training, False, name="conv_decode4")

    unpool_3 = unpool_with_argmax(conv_decode4, ind=pool3_indices, name='unpool_3')
    conv_decode3 = conv_layer_with_bn(initializer, unpool_3, [7, 7, 64, 64], is_training, False, name="conv_decode3")

    unpool_2 = unpool_with_argmax(conv_decode3, ind=pool2_indices, name='unpool_2')
    conv_decode2 = conv_layer_with_bn(initializer, unpool_2, [7, 7, 64, 64], is_training, False, name="conv_decode2")

    unpool_1 = unpool_with_argmax(conv_decode2, ind=pool1_indices, name='unpool_1')
    conv_decode1 = conv_layer_with_bn(initializer, unpool_1, [7, 7, 64, 64], is_training, False, name="conv_decode1")
    
    # 调用分类器
    return conv_classifier(conv_decode1, initializer)   

decoder整体上就是UpPool+Conv_BN的反向组合4套，配合最后的分类层，整体上还算是好理解~