作者丨戰(zhàn)斗系牧師@知乎（已授權(quán)）
來源丨h(huán)ttps://zhuanlan.zhihu.com/p/421925918
編輯丨極市平臺

首先，非常激動的和大家說一個本應(yīng)該三個多月前就激動的一個消息，就是我們的FEANet的工作在IROS-2021上被接收了，當(dāng)然這絕對離不開老師和師兄，所以在開頭先感激一下老師和師兄。也應(yīng)各位很想知道我干了啥的同學(xué)的需求，如果有機(jī)會的話，可以引用一下這篇文章。

知乎名：戰(zhàn)斗系牧師

第一部分

我們第一部分直觀的通過2個問題快速介紹一下我們的研究背景，先讓大家了解一下這篇文章的工作做了些什么。

1、RGB-T是干什么的？

答：在紋理相似、背景暗光，復(fù)雜的場景下，RGB圖像往往并不能為模型訓(xùn)練提供更多更具有區(qū)分度的信息，因此常常會導(dǎo)致預(yù)測結(jié)果不準(zhǔn)確，或者沒有辦法識別出物體。近年來隨著熱成像相機(jī)的普及，我們發(fā)現(xiàn)熱紅外信息對于照明條件差產(chǎn)生的識別模糊非常有效，例如在城市街景的語義分割任務(wù)中就取到了很好的效果，（RGB-T城市街景數(shù)據(jù)集鏈接：（Multispectral Image Recognition））。因此，可以將熱像儀生成的熱紅外圖像作為重要的信息補(bǔ)充。

2、FEANet是干什么的？

答：我們?yōu)?RGB-T 語義分割任務(wù)提出了一個兩階段的特征增強(qiáng)注意網(wǎng)絡(luò) (FEANet)。具體來說，就是我們引入了一個特征增強(qiáng)注意力模塊（FEAM）從通道和空間的兩個方向去提高模型的信息挖掘能力和增強(qiáng)模型的多級特征的提取和整合能力。

第二部分

FEANet為什么可以？在這一部分我打算把文章網(wǎng)絡(luò)結(jié)構(gòu)中的幾個idea由來的始末給大家介紹一下。

Idea1：雙encode，skip-connect結(jié)構(gòu)

我們的FEANet的工作起初是基于RTFNet上進(jìn)行改進(jìn)的，在RTFNet的文中的消融實(shí)驗(yàn)結(jié)構(gòu)充分表明了雙encoder，skip-connect結(jié)構(gòu)的強(qiáng)大之外，RTFNet其實(shí)是具有很強(qiáng)的可加工性的。沒錯其實(shí)主要的原因就是它encoder部分太像Unet了，就讓人忍不住想魔改它，就這樣RTFNet就成為了我們這次的baseline。然后，我們基于RTFNet在數(shù)據(jù)集上的不足點(diǎn)進(jìn)行改進(jìn)，同時，也與最新的（RTFNet的同一作者）的另一篇的FuseSeg進(jìn)行一個指標(biāo)上的競技。通過與RTFNet的結(jié)果進(jìn)行研究，我們很快就發(fā)現(xiàn)了問題。

RTFNet在物體的細(xì)節(jié)上的分割非常的粗糙以及沒有辦法識別出小物體（比如：色錐），結(jié)合當(dāng)時注意力機(jī)制模塊對與細(xì)小目標(biāo)上的良好表現(xiàn)來看，是否可以通過引入注意力機(jī)制模塊來改善上述的不足之處呢？

Idea2：FEAM結(jié)構(gòu)（注意力機(jī)制模塊）

其實(shí)FEAM是受到另一篇文章BBSNet（基于RGB-D數(shù)據(jù)所開發(fā)的網(wǎng)絡(luò)）的啟發(fā)構(gòu)建的，BBSNet是一篇成功將當(dāng)時非常紅的CBAM模塊（圖中的DEM結(jié)構(gòu)）植入了網(wǎng)絡(luò)的encode部分并取得SOTA效果的網(wǎng)絡(luò)，那么本著RGB-D和RGB-T都是多光譜的圖像會不會可以相互借鑒的好奇心態(tài)，我們設(shè)計了一個FEAM模塊，使用注意力機(jī)制從融合數(shù)據(jù)中學(xué)習(xí)特征，然后改進(jìn)網(wǎng)絡(luò)的預(yù)測結(jié)果。

Idea3：為什么每層都添加

繼續(xù)本著RGB-D和RGB-T都是多光譜的圖像會不會可以相互借鑒的好奇心態(tài)，我們是否可以按照，RGB-FEAM-Thermal的結(jié)構(gòu)模式去改造RTFNet呢？然后就有了我們第一版實(shí)驗(yàn)的。實(shí)驗(yàn)結(jié)果當(dāng)時記得是：mAcc是69.1，mIou是54.1。其實(shí)從實(shí)驗(yàn)結(jié)果上看，我們已經(jīng)高出了RTFNet一大截有多了，當(dāng)時我都興奮的蹦起來了，但是后面師兄看到結(jié)果后只是默默的給我發(fā)來FuseSeg這篇文章，我當(dāng)時第一時間看了網(wǎng)絡(luò)結(jié)構(gòu)，哦原來是用FuseNet161換了ResNet152而已，但是當(dāng)后面翻到結(jié)果一看，上面兩個指標(biāo)都高于目前我們設(shè)計的FEANet的的時候，人都傻了。

還記得那天晚上組會的時候老師和我們說，現(xiàn)在指標(biāo)都高于RTFNet就先和RTFNet做比較，就用田忌賽馬的策略，如果故事講得好說不定還有中的機(jī)會。我也在那時候真正的明白到了指標(biāo)競爭的殘酷之處。如果故事到這里的話也許就看不見現(xiàn)在的每層都加的FEANet了。

記得當(dāng)時還希望說能不能通過調(diào)參數(shù)的方法打倒這兩個指標(biāo)，在調(diào)了兩天參數(shù)后的一個晚上，我看到了之前自己做的CAM可視化的一個代碼，然后就試著可視化了當(dāng)時的添加FEAM后每一層網(wǎng)絡(luò)?？梢暬倪^程我突然想到，其實(shí)Thermal本質(zhì)上不是想利用熱力信息對RGB中明顯可以看出的物體進(jìn)行補(bǔ)充，而是給RGB看不見的信息進(jìn)行一個補(bǔ)充，所以兩張圖關(guān)注到的對象不一樣?？梢暬笤赥hermal上添加了FEAM結(jié)構(gòu)后，更加堅定了每層都加的想法，所以抱著試一試的心態(tài)進(jìn)行了，每層都加的實(shí)驗(yàn)，最后實(shí)驗(yàn)出來了，mAcc：71.2，mIou：54.3，然后就有你們現(xiàn)在看到的FEANet網(wǎng)絡(luò)結(jié)構(gòu)了。

Idea4：loss函數(shù)不是傳統(tǒng)的交叉熵

這個損失函數(shù)組合是通過一次天池上的語義分割比賽上看到并記下來的，DiceLoss 和 SoftCrossEntropy組合。本質(zhì)上就是針對樣本不平衡進(jìn)行進(jìn)行優(yōu)化的，還記得當(dāng)時師兄進(jìn)行實(shí)驗(yàn)的時候，有一個有經(jīng)驗(yàn)的博士說過可以通過改變損失函數(shù)對于樣本不平衡的現(xiàn)象進(jìn)行優(yōu)化，只是當(dāng)時實(shí)驗(yàn)出來的結(jié)果就有種拆東墻補(bǔ)西墻的感覺，但是沒有想到組合后的損失函數(shù)也能夠順利下降并且對各個指標(biāo)有有了提升，最后就有了我們的結(jié)果：

添加了FEAM結(jié)構(gòu)后并沒有引入了很大的參數(shù)量，也沒有造成推理速度的下滑，所以

FEANet: Feature-Enhanced Attention Network for RGB-Thermal Real-time Semantic Segmentation

由此誕生

第三部分

論文成功接受后的復(fù)盤，通過下面五個問題進(jìn)行一個總結(jié)復(fù)盤

1、FEAM結(jié)構(gòu)會不會過時了？

答：會，當(dāng)時論文發(fā)的時候TransFormer已經(jīng)把CNN按在地上了，整個朋友圈CV清一色的TransFormer，但是我們在設(shè)計的時候由于TransFormer還沒有蔓延到下游任務(wù)中，都是在圍繞著ViT圖像分類中進(jìn)行的，ICCV2021的best paper SWIN-TransFormer在各類比賽中作為backbone碾壓各種CNN結(jié)構(gòu)的網(wǎng)絡(luò)，也許是時候了?？粗笜?biāo)做來做去都是60_70,5055，當(dāng)時就連評審都說只是高了0.8%而已，所以可能只是可能啊，更好的預(yù)訓(xùn)練模型會不會帶來更好的結(jié)果呢？

2、BBSNet后續(xù)的cascade結(jié)構(gòu)為啥沒有延用呢？

答：實(shí)驗(yàn)證明，FEANet可能真的不適合這種結(jié)構(gòu)，從因?yàn)榕cDeep圖像補(bǔ)充RGB同一物體信息不同，Thermal圖像是補(bǔ)充與RGB不同物體信息的，也許過分的級聯(lián)會導(dǎo)致特征與特征間的語義對沖，從而會導(dǎo)致反作用，從結(jié)果上看也確實(shí)是的，并不適合。但是會不會有更適合的結(jié)構(gòu)呢？別急，下篇工作告訴你。

3、實(shí)時性只在RTX 2080TI上反映靠譜嗎？

答：見人見智的問題，以前他們都是在RTX 2080TI上進(jìn)行對比實(shí)驗(yàn)的所以我們這么對比也是為了更加直觀的反映我們比他們好，所以最開始在RTX 2080TI提實(shí)時性的這個文章可能責(zé)任全在它身上了，但是我相信很快部署在例如Jetson的輕量化RGB-T很快就會到來了，別細(xì)問，問就是下一篇文章的內(nèi)容。

4、skip-connect真的可靠嗎？

實(shí)驗(yàn)表明是可靠的，但是換個角度看現(xiàn)在也許是可靠了，但是如果這個是RGB-T-D這種多多模態(tài)的任務(wù)呢？如果是RGB-1-2-3-4-5-6呢？還這樣連嗎？skip-connect我感覺還是過于粗暴了，其實(shí)可以從可視化后的兩個結(jié)構(gòu)融合的圖像上，確實(shí)出現(xiàn)了對于同一物體的不同識別結(jié)果的語義對沖，那有沒有更好的方式組合，能夠更加降低兩種特征融合發(fā)生丟失，或者沖突的問題呢？會有的，也許就是下一篇文章。

第四部分

感謝

我還記得這篇文章是寒假一個月時間趕出來的，為了投當(dāng)時的3月的IROS，其實(shí)回想當(dāng)時，過年的時候我們都還在拼命的研究和工作，老師和師兄都付出了非常多的心力，論文改又改，我的結(jié)構(gòu)圖也是畫了又畫，都忘記是第40幾版了，非常慶幸的是我們的辛苦工作最終得到了認(rèn)可，文章被接受了，但是更值得慶幸的是，我能夠認(rèn)識老師和師兄。最后再次的感謝各位幫助過我的師兄，還有同伴們，我們下一次頂會見。

總結(jié)

以上是生活随笔為你收集整理的一个RGB-T工作的小小感悟与总结的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。