语义分割--Understand Convolution for Semantic Segmentation

Understanding Convolution for Semantic Segmentation

Understanding Convolution for Semantic Segmentation

收录：IEEE Winter Conference on Applications of Computer Vision (WACV 2018)

原文地址：HDC

代码:

• 官方-MXNet

---

Abstract

本文介绍了两种操控卷积相关运算(convolution-related operations)方法用于提高语义分割效果:

• 设计**密集上采样卷积(dense upsampling convolution,DUC)**生成预测结果，这可以捕获在双线性上采样过程中丢失的细节信息。

• 设计混合空洞卷积框架(hybrid dilated convolution,HDC)，用于减轻扩张卷积产生的"gidding issue"影响，扩大接收野聚合全局信息。

论文在CityScapes上达到了80.1%mIoU,同样在KITTI和VOC12上也达到了state-of-the-art 结果.

---

Introduction

大部分应用在语义分割任务上的CNN系统可分为三类：

1. 全卷积神经网络。例如FCN. 使用卷积层代替FC层，提高训练和推断效率，并可接收任意大小输入；
2. 使用CRF. 结构预测用于捕获图片内的本地和长距离依赖，用于细化分割结果；
3. 使用空洞卷积。增加中间featue map的分辨率，可在保持相同计算成本的同时提高预测精度。

大部分提高预测准确率的系统可分为两类：

1. 使用更优秀的特征提取模型。即使用VGG16、ResNet等预训练架构。这些更深的模型可对更复杂的信息建模，学习更有区分力的feature并可更好的区分类别。
2. 使用CRF作为后端处理，集成CRF到模型内构成end2end训练，并将额外的信息例如边缘合并到CRF内。

本文以另一个角度来提升性能，考虑到现在大多数模型分为encoding和decoding两部分：

• 对于decoding：大多数模型在最终预测图的基础上，采用双线性插值上采样直接获得与输入同分辨率的输出，双线性插值没有学习能力并且会丢失细节。本文提出了密集上采样卷积(dense upsampling convolution,DUC)，取代了简单的双线性插值，学习一组上采样滤波器用于放大低分辨率的feature。DUC支持end2end，便于融入FCN网络架构中。

• 对于encoding：使用扩张卷积可以扩大感受野，减少使用下采样(下采样丢失细节比较严重)。本文指出空洞卷积存在"girdding"问题，即空洞卷积在卷积核两个采样像素之间插入0值，如果扩张率过大，卷积会过于稀疏，捕获信息能力差。 本文提出了混合扩展卷积架构(hybrid dilation convolution,HDC): 使用一组扩展率卷积串接一下构成block，可扩大感受野的同时减轻"gridding"弊端。

论文以DUC和HDC为基础卷积操作，构建更适合语义分割任务的深度神经网络系统.

---

Related Work

• **特征表示解码(Decoding of Feature Representation)?*因为池化操作不可避免的会下采样。现在多种方案针对低分辨率feature解码出准确信息，常见的双线性上采样节省存储空间并且快；解卷积：使用池化的位置信息帮助解码阶段，也有使用堆叠的解卷积层来恢复信息，等等

• 扩张卷积(Dilated Convolution): 在卷积采样中插入0值，用以扩张采样分辨率。例如DeepLab设计的ASPP聚合多个尺度信息。等等

---

Approach

Dense Upsampling Convolution

为什么要使用DUC？

考虑到模型输入图片大小$(H,W,C)$,整个模型在预测前的输出feature map大小为$F_{out}=(h,w,c)$，其中 $H/d=h,W/d=w$，$d$称为下采样因子(downsampling factor)。

• 双线性插值存在的问题：如果模型的$d=16$，即输入到输出下采样了16倍。如果一个目标物的长或宽长度小于16个pixel，训练label map需要下采样到与模型输出维度相同，即下采样16倍时已经丢失了许多细节, 对应的模型预测结果双线性插值上采样是无法恢复这个信息 。

DUC的方案：

针对这一问题，DUC将$F_{out}$的尺寸$(h,w,c)$通道转为到$(h,w,d^2\times L)$, $L$是分割类别数目。再reshape到label map大小$(H,W,L)$。 reshape操作代替了解卷积上采样，可直接对接label map。

这里比较难理解的是reshape操作，开源的代码如下：

   # Base Network
    res = get_resnet_hdc(bn_use_global_stats=bn_use_global_stats)

    # ASPP
    aspp_list = list()
    for i in range(aspp_num):
        pad = ((i + 1) * aspp_stride, (i + 1) * aspp_stride)
        dilate = pad
        conv_aspp=mx.symbol.Convolution(data=res, num_filter=cell_cap * label_num, kernel=(3, 3), pad=pad,
                                        dilate=dilate, name=('fc1_%s_c%d' % (exp, i)), workspace=8192)
        aspp_list.append(conv_aspp)
    
    # 这是是ASPP模块输出作像素和
    summ = mx.symbol.ElementWiseSum(*aspp_list, name=('fc1_%s' % exp))

    # Reshape操作
    cls_score_reshape = mx.symbol.Reshape(data=summ, shape=(0, label_num, -1), name='cls_score_reshape')
    
    # Reshape完后直接送到Softmax
    cls = mx.symbol.SoftmaxOutput(data=cls_score_reshape, multi_output=True,
                                  normalization='valid', use_ignore=True, ignore_label=ignore_label, name='seg_loss')
    return cls

可以看到reshape操作传入的是shape=$(0,label\_num,-1)$ MXNet中0代表保持不变，-1表示推断~.
ASPP出来的数据形式为(N,channel,h,w)经过reshape甩成了(N,label_num,-1)，即把每类的分类结果拍成向量形式。

下图是本文一作关于DUC卷积的回答：

下图更好的阐述了DUC思想：

该图来自：Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network

从另一个角度想：DUC将整个label map$(H,W,L)$分为为$d^2$个等大小的子图(subparts)，每个子图和大小和$F_{out}$输出的feature map大小相同。也就是说将label map切分为$(h,w,d^2\times L)$。

模型的整体结构如下，DUC应用在输出部分：

DUC以原始分辨率像素级解码，并且能够自然的集成到FCN框架中，使得整个编码和解码能以end2end方式训练。

Hybrid Dilated Convolution

对于二维信号，卷积核大小$k\times k$，经过扩张卷积的结果为$k_d\times k_d$,其中$k_d=k+(k-1)(r-1)$.例如：

• 对于左边：$r=2,k=3$. $k_d=3+(3-1)(2-1)=5$，接收野为$5\times 5$
• 对于右边：$r=3,k=3$. $k_d=3+(3-1)(3-1)=7$，接收野为$7\times 7$

扩张卷积可增加features map的分辨率，故可替换FCN架构中的池化层。但是，扩张卷积存在一个理论上的问题，称之为"gridding"：对于扩张卷积的一个像素点p，对其有贡献的是上一层以p为中心的$k_d\times k_d$的邻近区域，因为扩张卷积引入0值，在$k_d\times k_d$的区域只计算$k\times k$个像素点，非0像素点之间间隔为$r-1$.

例如$k=3,r=2$的扩张卷积，从$Conv2-->Conv3$，25个像素只有9个像素做了贡献：

可以看到top feature map使用扩张卷积只能以棋盘的形式查看信息，这会丢失大量信息.

• 当high layer中$r$变的越来越大，这会使得从输入中采样的数据越来越稀疏，不利于卷积学习，因为

  • 局部的信息完全丢失
  • 信息之间太远不相关

• $r\times r$的区域从完全不同的“网格”集合内接收信息，这会损害本地信息的一致性。

论文提出了HDC用于缓解"gridding"产生的影响：考虑到一个$N$个的size为$K\times K$的扩张卷积，对应的扩张率为$[r_1,\dots ,r_i,..,r_n]$，HDC的目标是让最后的接收野全覆盖整个区域（没有任何空洞或丢失边缘），我们定义两个非零点之间最大距离为： $$M_i=\max [M_{i+1}-2r_i,M_{i+1}-2(M_{i+1}-r_i),r_i]$$
其中$M_n=r_n$,设计的目标是让$M_2\le K$.

这是公式是怎么来的，我邮件咨询了一作PanQu Wang：

HDC实例：

• 对于常见的扩张卷积核大小$K=3$，如果$r=[1,2,5]$ 则$$M_2=\max [M_3-2r_2,-M_3+2r_2,r_2]=\max [1,-1,2]=2$$此时$M_2=2\le K=3$,满足设计要求.设计的示意图如下：
  

• 如果$r=[1,2,9]$则$$M_2=\max [M_3-2r_2,-M_3+2r_2,r_2]=\max [5,-5,2]=5$$此时$M_2=5＞K=3$,不满足设计要求.

论文给出使用不同扩张率的扩张卷积策略是锯齿波(sawtooth wave-like)变化形式:即取几层为一组，每个组的扩张率从低向高增加，每个组类似，即扩张率变换类似锯齿波。锯齿波能同时满足小物体大物体的分割要求(小rate提取本地信息，大rate提取长距离信息)。

例如：对于r=2的层，将3个层组成一组，对应的扩张率分别为1,2,3。这样顶层可以获取更宽阔的区域信息，这能在保持接收野大小不变的情况下提高信息利用率。

需要注意的是，一个组内的卷积不应该有一个固定的变换因子，即不要用大于1的公约数(例如2,4,8的公约数为2>1)，否则依旧无法减小"girdding"效应。

HDC的另一个好处是可以使用任意的扩张率，很自然的扩大了接收野且不需要添加额外的模块，这对识别大型相关目标很关键。

---

Experiment

论文一共在三个数据集上做了测试：CityScapes，KITTI dataset for road estimation, PASCAL VOC2012. 以预训练的ResNet101和ResNet152为特征提取层。

CityScapes

CityScapes的数据尺寸固定为$1024\times 2048$，本文的策略是将图片分成重叠的12个$800\times 800$的patches，整个训练集大小为$2975\ast 12=35700$.这样的数据增强可保证图片的每个区域都被访问到，比随机的cropping要跟细腻。

Baseline-model:

设置项	设置
优化器	使用mini-batch SGD
patch size	$544\times 544$(randomly cropped from the 800x800 patch)
batch_size	12
学习率策略	poly，power=0.9,初始的学习率为$2.5\times 10^{-4}$.
权重衰减	$5\times 10^{-4}$,momentum为0.9

DUC

DUC做的事情就是改变原本top layer输出的shape.

例如：Baseline-model的输出为$68\times 68\times 19$(19是cityscapes的类别)。DUC将输出变化为$68\times 68\times (d^2\times 19)$，$d$是下采样因子，这里$r=8$. 再reshape为$544\times 544\times 19$即预测的map. DUC只在ResNet的top端引入了新参数，与Baseline相比，提高了2%mIoU，可视化结果如下：

由图可以清晰的看见DUC主要提高了小目标物的识别率，验证了DUC可以恢复双线性插值上采样损失的信息。

Abation Studies：主要做以下方面的实验.

• 网络的下采样扩张率，用于控制内部的feature map的分辨率
• 是否使用ASPP模块，以及使用并行路径的数量
• 是否做数据增强，即将数据切分为12个子patches
• 一个预测像素投影的邻近区域大小$(cell,cell)$.像素级的DUC应该使用$cell=1$，但因为Gound Truth无法达到像素级，在实验中尝试$cell=2$

降低下采样率会降低准确率。ASPP模块通常有助于改善性能。数据增强有助于提高准确率，使用cell=2有轻微的提升，同时有助于降低计算消耗。

Bigger Patch Size： 因为$cell=2$会大幅度减少计算量消耗，故讨论patch size对性能的影响。将patch size提高到$880\times 880$，将原本的12倍cropping换成7倍的cropping，性能提升了1%；
Compared with Deconvolution： 使用上采样效率略低于DUC model；
Conditional Random Fields(CRF)： 使用CRF提高了1%的性能。

HDC

以最佳的101 layer的ResNet-DUC为基础，添加HDC，实验探究了几种变体：

• 无扩张卷积(no dilation)：对于所有包含扩张卷积，设置$r=1$
• 扩张卷积(dilation Conv )：对于所有包含扩张卷积，将2个block和为一组，设置第一个block的$r=2$，第二个block的$r=1$
• Dilation-RF：对于$res4b$包含了23个blocks，使用的$r=2$，设置3个block一组，$r=1,2,3$.对于最后两个block，设置$r=2$；对于$res5b$，包含3个block,使用$r=4$，设置为$r=3,4,5$.
• Dilation-Bigger：对于$res4b$模块，设置4个block为一组，设置$r=1,2,5,9$.最后3个block设置为$1,2,5$；对于$res5b$模块，设置$r=5,9,17$

可以看到增加接收野大小会获得较高的精度。如下图所示：

ResNet-DUC-HDC在较大的目标物上表现较好。下图是局部放大：

可以看到HDC有效的消除"gridding"产生的影响。

Deeper Networks： 同样尝试了将ResNet-101切换为ResNet-152，使用ResNet152先跑了10个epoch学习了BN层参数，再固定BN层，跑了20个epochs.结果如下：

ResNet152为基础层的有1%的提升。

Test Set Results： 论文将ResNet101开始的$7\times 7$卷积拆分为3个$3\times 3$的卷积，再不带CRF的情况下达到了80.1%mIoU.与其他先进模型相比如下：

模型同时在coarse labels跑了一圈，与同样以deliated convolution为主的DeepLabv2相比，提升了9.7%.

KITTI Road Segmentaiton

KITTI有289的训练图片和290个测试图片。示例如下：

因为数据集有限，为了避免过拟合。论文以100的步长在数据集中裁剪$320\times 320$的patch. 使用预训练模型，结果如下：

结果达到了state-of-the-art水平.

PASCAL VOC2012 dataset

先用VOC2012训练集和MS-COCO数据集对ResNet-DUC做预训练。再使用VOC2012做fine-tune。使用的图片大小为$512\times 512$。达到了state-of-the-art水平：

可视化结果如下：

---

Conclusion

论文提出了简单有效的卷积操作改进语义分割系统。使用DUC恢复上采样丢失的信息，使用HDC在解决"gridding"的影响的同时扩大感受野。实验证明我们的框架对各种语义分割任务的有效性。

---