FCN(Fully Convolutional Networks for Semantic Segmentation)---2015 CVPR学习和解读

最近关于$AnchorFree$的目标检测结构如雨后春笋般出现，我也跟一波学习，发现,里面涉及到很多细碎的知识，没办法啊，只有一层一层拨开它的心！道阻且长啊~~~~~写的不好望指点哈！旨在学习交流，最重要的还是记录！

---

$FCN(FullyConvolutionalNetworksforSemanticSegmentation)---2015CVPR$

---

---

1、引言

图像语义分割：给定一张图片，对图片上每一个像素点进行分类！但是与图像分类目的不同，语义分割模型要具有像素级的密集预测能力才可以。

传统的$CNN$做语义分割：将像素周围的一块(一个小区域)作为$CNN$的输入，也就是利用每个像素周围的图像块所属类别将该像素分成该类别。简单的说：以某个像素点中心取一个区域,取图像块的特征做样本训练分类器,分类结果作为此像素点的结果。使用这种方法的主要原因是网络后面具有全连接层，全连接层输入需要固定大小。

上述存在三个缺点：

1. 这个像素周围一块的大小如何确定；
2. 明显存储量和计算量很大（因为图像块会有很多重复的地方）；
3. 像素周围一块是局部，会限制感受野，难以照顾全局；

然后就出现了这篇文章:$FCN(FullyConvolutionalNetworksforSemanticSegmentation)-2015CVPR$。改变了原来的$CNN$结构，去除了全连接层，进行密集预测。

除了全连接层结构，池化层也是语义分割里面一个棘手的问题。池化层可以丢弃部分位置信息，增大感受野。这对识别有帮助，因为不需要位置空间信息。但是语义分割方法需对类别图进行精确调整，因此需要保留位置信息。这篇论文中使用上采样来逐步恢复细节和相应的位置信息。

---

2、网络结构

先简单介绍一下$FCN$：全卷积网络，模型由卷积层、池化层组成（没有全连接层），可以接受任意大小的输入，网络的示意图如下：
输入一张图片，网络由浅到深，随着卷积层和池化层不断作用，产生的特征图分辨率越来越小，但是通道数会越来越多。最后通过逐层上采样得到一个和输入形状一样的结果。

2.1 全卷积网络提取特征

一般图像分类$CNN$网络在最后一层卷积层后会跟若干个全连接层, 作用：将卷积层产生的特征图映射成一个固定长度的特征向量。论文中的例子：输入一张猫的图片, 经过$CNN$网络, 得到一个长为1000的输出向量, 这个向量经过$Softmax$归一化，分别对应1000个类别的概率，这样我们可以得到输入图像属于每一类的概率, 在下例中我们可以看出图像属于$“tabbycat”$这一类可能性最大。

这篇论文里面是将全连接层转化为卷积层。上图中我们可以看出$FCN$将最后3层转换为卷积层，卷积核的大小(通道数，宽，高)分别为（4096,1,1）、（4096,1,1）、（1000,1,1）。

下面介绍全连接层怎么转成卷积层：拿上图为例，最后一层卷积层的输出为 $7\ast 7\ast 256$ 。后面再接三个全连接层变为(1,4096),(1,4096),(1,1000)（一维向量）。我们可以把这三个全连接层变为卷积层。

变换方式：

1. 针对$FC1(7\ast 7\ast 256)$，选卷积核$k=7$卷积，输出为$1\ast 1\ast 4096$。
2. 针对$FC2$，选卷积核$k=1$卷积，输出为$1\ast 1\ast 4096$。
3. 对最后一个$FC3$，选卷积核$k=1$卷积，输出为$1\ast 1\ast 1000$。

这样转换后的网络输出的就是一个热力图$(heatmap)$,这个图明显二维的。

2.2 逐像素点分类

参考自：（https://zhuanlan.zhihu.com/p/30195134）
我们可以看出，对原图像进行卷积$conv1、pool1$后原图像缩小为1/2；之后对图像进行第二次$conv2、pool2$后图像缩小为1/4；接着继续对图像进行第三次卷积操作$conv3、pool3$缩小为原图像的1/8，此时保留$pool3$的$featureMap$；接着继续对图像进行第四次卷积操作$conv4、pool4$，缩小为原图像的1/16，保留$pool4$的$featureMap$；最后对图像进行第五次卷积操作$conv5、pool5$，缩小为原图像的1/32，然后把原来CNN操作中的全连接变成卷积操作$conv6$，图像的$featureMap$数量改变但是图像大小依然为原图的1/32，此时图像不再叫$featureMap$而是叫$heatMap$（热力图）。

现在我们有1/32尺寸的$heatMap$，1/16尺寸的$featureMap$和1/8尺寸的$featureMap$，1/32尺寸的$heatMap$进行上采样操作之后，因为这样的操作还原的图片仅仅是conv5中的卷积核中的特征，限于精度问题不能够很好地还原图像当中的特征，因此把conv4中的卷积核对上一次上采样之后的图进行反卷积，最后把conv3中的卷积核对刚才上采样之后的图像进行再次反卷积补充细节，最后相加，完成了整个图像的还原。

其中上采样有3种常见的方法：双线性插值，反卷积(转置卷积)，反池化。这边我只讨论反卷积。

反卷积（转置卷积）：反卷积是一种特殊的正向卷积，先按照一定的比例通过补 0 来扩大输入图像的尺寸，接着卷积核卷积，再进行正向卷积。简单点说把普通卷积中的卷积核做一个转置，然后把普通卷积的输出作为转置卷积的输入，而转置卷积的输出，就是普通卷积的输入，常用于$CNN$中对特征图进行上采样，比如语义分割和超分辨率任务中。我认为：反卷积就是卷积，只是中间$padding$下，然后再做卷积。

下面是常规的普通卷积：卷积核为$3\ast 3$，$stride=2$，$padding=1$。卷积核在红框位置时输出元素1，在绿色位置时输出元素2。我们可以观察到：输入元素$a$仅和一个输出元素有运算关系，也就是元素1，而输入元素$b$和输出元素1, 2均有关系。同理$c$只和一个元素2有关，而$d$和1,2,3,4四个元素都有关。那么在进行反卷积时，依然应该保持这个连接关系不变。

反卷积（转置卷积）：由前面反卷积的定义，将上图得到的绿色特征图作为输入，蓝色特征图作为输出，并且需要保证连接关系不变。也就是说，a只和1有关，b和1,2两个元素有关，其它类推。怎么才能达到这个效果呢（一开始我个人觉得达不到。因为反卷积是可以恢复到原来输入的shape，但是其value值是不一样的？但是先进行上采样，即扩大像素；再进行卷积——就是通过训练学习获得权值，这就有可能了！）。
如下图：

反卷积的输入输出尺寸关系：下面介绍一种常用的：

设反卷积的输入是$n\ast n$，反卷积的输出为$m\ast m$，$padding=p$，$stride=s$。

条件： $(n+2p-k)\%s=0$，根据步数 $strides$ 对输入的内部进行填充，这里 $strides$ 可以理解成输入放大的倍数，即在 $input$ 的每个元素之间填充 0 ，0 的个数 $n_1$ 与 $strides$ 的关系为：$$n_1=strides-1$$那么此时反卷积的输出就为：$m=s(n-1)+k-2p$

举个例子：选择一个输入$input$尺寸为 $3\times 3$ ，卷积核 $kernel$ 尺寸为 $3\times 3$ ，步长 $strides=2$ ，填充 $padding=1$，即 $n=3,k=3,s=2,p=1$ ，则输出 $output$ 的尺寸为 $m=2\times (3-1)+3=5$ 。

---

2.3 损失函数

卷积网络中的每一层数据都是尺寸为$h\ast w\ast d$的三维数组，其中$h$和$w$是特征图的高和宽，$d$是通道数。$FCN$网络的训练损失为最后一层中每个像素的$Softma$x损失之和。更具体地说，最后上采样个跳层连接之后会输出$N$张热力图$(heatmap)$，逐个像素的求其在$N$张图像该像素位置的最大数值描述（概率）作为该像素的分类。

---

3、训练过程

值得研究，体现思想！实验结果不贴！

1. 最后两层是全连接层，参数弃去不用。
   
2. 从最后一个特征图（16164096）预测分割小图（161621），然上采样为原图大小。反卷积（橙色）的步长为32所以网络称为FCN-32s。
   
3. 上采样融合2个pooling层的预测结果 。使用跳级结构提升精确性。第二次反卷积步长为16，这个网络称为FCN-16s。

4. 上采样融合3个pooling层的预测结果。 第三次反卷积步长为8，记为FCN-8s。

---

4、参考链接

1. https://zhuanlan.zhihu.com/p/30195134（重点推荐）
2. https://blog.csdn.net/isMarvellous/article/details/80087705
3. https://www.zhihu.com/search?type=content&q=转置卷积
4. https://blog.csdn.net/attitude_yu/article/details/84697181（重点推荐）
5. https://blog.csdn.net/qq_37274615/article/details/73251503（重点推荐）