還是在繼續(xù)找pooling，unpooling，upsampling的路上發(fā)現(xiàn)好文章

轉(zhuǎn)自：https://www.2cto.com/kf/201609/545237.html

前言

(嘔血制作啊！)前幾天剛好做了個圖像語義分割的匯報，把最近看的論文和一些想法講了一下。所以今天就把它總結(jié)成文章啦，方便大家一起討論討論。本文只是展示了一些比較經(jīng)典和自己覺得比較不錯的結(jié)構(gòu)，畢竟這方面還是有挺多的結(jié)構(gòu)方法了。

介紹

圖像語義分割，簡單而言就是給定一張圖片，對圖片上的每一個像素點分類

從圖像上來看，就是我們需要將實際的場景圖分割成下面的分割圖：

不同顏色代表不同類別。

經(jīng)過我閱讀“大量”論文（羞澀）和查看Pascal VOC 2012 Learderboard，我發(fā)現(xiàn)圖像語義分割從深度學(xué)習(xí)引入這個任務(wù)（FCN）到現(xiàn)在而言，一個通用的框架已經(jīng)大概確定了。即：

原圖FCNCRF/MRF分割圖 FCN-全卷積網(wǎng)絡(luò) CRF-條件隨機場 MRF-馬爾科夫隨機場

前端使用FCN進行特征粗提取，后端使用CRF/MRF優(yōu)化前端的輸出，最后得到分割圖。

接下來，我會從前端和后端兩部分進行總結(jié)。

前端

為什么需要FCN

我們分類使用的網(wǎng)絡(luò)通常會在最后連接幾層全連接層，它會將原來二維的矩陣（圖片）壓扁成一維的，從而丟失了空間信息，最后訓(xùn)練輸出一個標量，這就是我們的分類結(jié)果。

而圖像語義分割的輸出需要是個分割圖，且不論尺寸大小，但是至少是二維的。所以，我們需要丟棄全連接層，換上全卷積層，而這就是全卷積網(wǎng)絡(luò)了。具體定義請參看論文：Fully Convolutional Networks for Semantic Segmentation

前端結(jié)構(gòu)

FCN

此處的FCN特指Fully Convolutional Networks for Semantic Segmentation論文中提出的結(jié)構(gòu)，而非廣義的全卷積網(wǎng)絡(luò)。

作者的FCN主要使用了三種技術(shù)：

卷積化（Convolutional） 上采樣（Upsample） 跳躍結(jié)構(gòu)（Skip Layer）

卷積化

卷積化即是將普通的分類網(wǎng)絡(luò)，比如VGG16，ResNet50/101等網(wǎng)絡(luò)丟棄全連接層，換上對應(yīng)的卷積層即可。如下圖：

上采樣

此處的上采樣即是反卷積（Deconvolution）。當然關(guān)于這個名字不同框架不同，Caffe和Kera里叫Deconvolution，而tensorflow里叫conv_transpose。CS231n這門課中說，叫conv_transpose更為合適。

眾所諸知，普通的池化（為什么這兒是普通的池化請看后文）會縮小圖片的尺寸，比如VGG16 五次池化后圖片被縮小了32倍。為了得到和原圖等大的分割圖，我們需要上采樣/反卷積。

反卷積和卷積類似，都是相乘相加的運算。只不過后者是多對一，前者是一對多。而反卷積的前向和后向傳播，只用顛倒卷積的前后向傳播即可。所以無論優(yōu)化還是后向傳播算法都是沒有問題。圖解如下：

但是，雖然文中說是可學(xué)習(xí)的反卷積，但是作者實際代碼并沒有讓它學(xué)習(xí)，可能正是因為這個一對多的邏輯關(guān)系。代碼如下：<喎�"/kf/ware/vc/" target="_blank" class="keylink">vcD4NCjxwcmUgY2xhc3M9"brush:java;">layer { name: "upscore" type: "Deconvolution" bottom: "score_fr" top: "upscore" param { lr_mult: 0 } convolution_param { num_output: 21 bias_term: false kernel_size: 64 stride: 32 }}

可以看到lr_mult被設(shè)置為了0.

跳躍結(jié)構(gòu)

（這個奇怪的名字是我翻譯的，好像一般叫忽略連接結(jié)構(gòu)）這個結(jié)構(gòu)的作用就在于優(yōu)化結(jié)果，因為如果將全卷積之后的結(jié)果直接上采樣得到的結(jié)果是很粗糙的，所以作者將不同池化層的結(jié)果進行上采樣之后來優(yōu)化輸出。具體結(jié)構(gòu)如下：

而不同上采樣結(jié)構(gòu)得到的結(jié)果對比如下：

當然，你也可以將pool1， pool2的輸出再上采樣輸出。不過，作者說了這樣得到的結(jié)果提升并不大。
這是第一種結(jié)構(gòu)，也是深度學(xué)習(xí)應(yīng)用于圖像語義分割的開山之作，所以得了CVPR2015的最佳論文。但是，還是有一些處理比較粗糙的地方，具體和后面對比就知道了。

SegNet/DeconvNet

這樣的結(jié)構(gòu)總結(jié)在這兒，只是我覺得結(jié)構(gòu)上比較優(yōu)雅，它得到的結(jié)果不一定比上一種好。

SegNet

DeconvNet

這樣的對稱結(jié)構(gòu)有種自編碼器的感覺在里面，先編碼再解碼。這樣的結(jié)構(gòu)主要使用了反卷積和上池化。即：

反卷積如上。而上池化的實現(xiàn)主要在于池化時記住輸出值的位置，在上池化時再將這個值填回原來的位置，其他位置填0即OK。

DeepLab

接下來介紹一個很成熟優(yōu)雅的結(jié)構(gòu)，以至于現(xiàn)在的很多改進是基于這個網(wǎng)絡(luò)結(jié)構(gòu)的進行的。

首先這里我們將指出一個第一個結(jié)構(gòu)FCN的粗糙之處：為了保證之后輸出的尺寸不至于太小，FCN的作者在第一層直接對原圖加了100的padding，可想而知，這會引入噪聲。

而怎樣才能保證輸出的尺寸不會太小而又不會產(chǎn)生加100padding這樣的做法呢？可能有人會說減少池化層不就行了，這樣理論上是可以的，但是這樣直接就改變了原先可用的結(jié)構(gòu)了，而且最重要的一點是就不能用以前的結(jié)構(gòu)參數(shù)進行fine-tune了。所以，Deeplab這里使用了一個非常優(yōu)雅的做法：將pooling的stride改為1，再加上1padding。這樣池化后的圖片尺寸并未減小，并且依然保留了池化整合特征的特性。

但是，事情還沒完。因為池化層變了，后面的卷積的感受野也對應(yīng)的改變了，這樣也不能進行fine-tune了。所以，Deeplab提出了一種新的卷積，帶孔的卷積：Atrous Convolution.即：

而具體的感受野變化如下：

a為普通的池化的結(jié)果，b為“優(yōu)雅”池化的結(jié)果。我們設(shè)想在a上進行卷積核尺寸為3的普通卷積，則對應(yīng)的感受野大小為7.而在b上進行同樣的操作，對應(yīng)的感受野變?yōu)榱?.感受野減小了。但是如果使用hole為1的Atrous Convolution則感受野依然為7.所以，Atrous Convolution能夠保證這樣的池化后的感受野不變，從而可以fine tune，同時也能保證輸出的結(jié)果更加精細。即：

總結(jié)

這里介紹了三種結(jié)構(gòu)：FCN, SegNet/DeconvNet，DeepLab。當然還有一些其他的結(jié)構(gòu)方法，比如有用RNN來做的，還有更有實際意義的weakly-supervised方法等等。

后端

終于到后端了，后端這里會講幾個場，涉及到一些數(shù)學(xué)的東西。我的理解也不是特別深刻，所以歡迎吐槽。

全連接條件隨機場(DenseCRF)

對于每個像素i具有類別標簽xi還有對應(yīng)的觀測值yi，這樣每個像素點作為節(jié)點，像素與像素間的關(guān)系作為邊，即構(gòu)成了一個條件隨機場。而且我們通過觀測變量yi來推測像素i對應(yīng)的類別標簽xi。條件隨機場如下：

條件隨機場符合吉布斯分布：(此處的x即上面說的觀測值)
P(X=x"I)=1Z(I)exp(?E(x|I))
其中的E(x|I)是能量函數(shù)，為了簡便，以下省略全局觀測I：
E(x)=∑iΨu(xi)+∑i
其中的一元勢函數(shù)∑iΨu(xi)即來自于前端FCN的輸出。而二元勢函數(shù)如下：
Ψp(xi,xj)=u(xi,xj)∑m=1Mω(m)k(m)G(fi,fj)
二元勢函數(shù)就是描述像素點與像素點之間的關(guān)系，鼓勵相似像素分配相同的標簽，而相差較大的像素分配不同標簽，而這個“距離”的定義與顏色值和實際相對距離有關(guān)。所以這樣CRF能夠使圖片盡量在邊界處分割。而全連接條件隨機場的不同就在于，二元勢函數(shù)描述的是每一個像素與其他所有像素的關(guān)系，所以叫“全連接”。

關(guān)于這一堆公式大家隨意理解一下吧… …而直接計算這些公式是比較麻煩的（我想也麻煩），所以一般會使用平均場近似方法進行計算。而平均場近似又是一堆公式，這里我就不給出了（我想大家也不太愿意看），原意了解的同學(xué)直接看論文吧。

CRFasRNN

最開始使用DenseCRF是直接加在FCN的輸出后面，可想這樣是比較粗糙的。而且在深度學(xué)習(xí)中，我們都追求end-to-end的系統(tǒng)，所以CRFasRNN這篇文章將DenseCRF真正結(jié)合進了FCN中。這篇文章也使用了平均場近似的方法，因為分解的每一步都是一些相乘相加的計算，和普通的加減（具體公式還是看論文吧），所以可以方便的把每一步描述成一層類似卷積的計算。這樣即可結(jié)合進神經(jīng)網(wǎng)絡(luò)中，并且前后向傳播也不存在問題。當然，這里作者還將它進行了迭代，不同次數(shù)的迭代得到的結(jié)果優(yōu)化程度也不同（一般取10以內(nèi)的迭代次數(shù)），所以文章才說是as RNN。優(yōu)化結(jié)果如下：

馬爾科夫隨機場(MRF)

在Deep Parsing Network中使用的是MRF，它的公式具體的定義和CRF類似，只不過作者對二元勢函數(shù)進行了修改：
Ψ(yui,yvi)=∑k=1Kλkuk(i,u,j,v)∑?z∈Njd(j,z)pvz
其中，作者加入的λk為label context，因為uk只是定義了兩個像素同時出現(xiàn)的頻率，而λk可以對一些情況進行懲罰，比如，人可能在桌子旁邊，但是在桌子下面的可能性就更小一些。所以這個量可以學(xué)習(xí)不同情況出現(xiàn)的概率。而原來的距離d(i,j)只定義了兩個像素間的關(guān)系，作者在這兒加入了個triple penalty，即還引入了j附近的z，這樣描述三方關(guān)系便于得到更充足的局部上下文。具體結(jié)構(gòu)如下：

這個結(jié)構(gòu)的優(yōu)點在于：

將平均場構(gòu)造成了CNN 聯(lián)合訓(xùn)練并且可以one-pass inference，而不用迭代

高斯條件隨機場(G-CRF)

這個結(jié)構(gòu)使用CNN分別來學(xué)習(xí)一元勢函數(shù)和二元勢函數(shù)。這樣的結(jié)構(gòu)是我們更喜歡的：

而此中的能量函數(shù)又不同于之前：
E(x)=12xT(A+λI)x?Bx
而當(A+λI)是對稱正定時，求E(x)的最小值等于求解：
(A+λI)x=B

而G-CRF的優(yōu)點在于：

二次能量有明確全局 解線性簡便很多

感悟

FCN更像一種技巧。隨著基本網(wǎng)絡(luò)（如VGG， ResNet）性能的提升而不斷進步。 深度學(xué)習(xí)+概率圖模型（GPM）是一種趨勢。其實DL說白了就是進行特征提取，而GPM能夠從數(shù)學(xué)理論很好的解釋事物本質(zhì)間的聯(lián)系。 概率圖模型的網(wǎng)絡(luò)化。因為GPM通常不太方便加入DL的模型中，將GPM網(wǎng)絡(luò)化后能夠是GPM參數(shù)自學(xué)習(xí)，同時構(gòu)成end-to-end的系統(tǒng)。
《新程序員》：云原生和全面數(shù)字化實踐50位技術(shù)專家共同創(chuàng)作，文字、視頻、音頻交互閱讀

總結(jié)

以上是生活随笔為你收集整理的关于图像语义分割的总结和感悟的全部內(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。