摘要：目前用于語義分割研究的兩個(gè)最重要數(shù)據(jù)集是和。發(fā)展中的方法效果。論文于年月日提交到主要貢獻(xiàn)將端到端的卷積網(wǎng)絡(luò)推廣到語義分割中重新將預(yù)訓(xùn)練好的網(wǎng)絡(luò)用于分割問題中使用反卷積層進(jìn)行上采樣提出了跳躍連接來改善上采樣的粗糙程度。

語義分割是什么？

語義分割方法在處理圖像時(shí)，具體到像素級(jí)別，也就是說，該方法會(huì)將圖像中每個(gè)像素分配到某個(gè)對(duì)象類別。下面是一個(gè)具體案例。

左邊為輸入圖像，右邊為經(jīng)過語義分割后的輸出圖像。

該模型不僅要識(shí)別出摩托車和駕駛者，還要標(biāo)出每個(gè)對(duì)象的邊界。因此，與分類目的不同，相關(guān)模型要具有像素級(jí)的密集預(yù)測(cè)能力。

目前用于語義分割研究的兩個(gè)最重要數(shù)據(jù)集是VOC2012和MSCOCO。

VOC2012：

http://host.robots.ox.ac.uk/pascal/VOC/voc2012/

MSCOCO：

http://mscoco.org/explore/

有哪些方法？

在深度學(xué)習(xí)應(yīng)用到計(jì)算機(jī)視覺領(lǐng)域之前，研究人員一般使用紋理基元森林(TextonForest)或是隨機(jī)森林(Random Forest)方法來構(gòu)建用于語義分割的分類器。

卷積神經(jīng)網(wǎng)絡(luò)(CNN)不僅能很好地實(shí)現(xiàn)圖像分類，而且在分割問題中也取得了很大的進(jìn)展。

最初，圖像塊分類是常用的深度學(xué)習(xí)方法，即利用每個(gè)像素周圍的圖像塊分別將各像素分成對(duì)應(yīng)的類別。其中，使用圖像塊的主要原因是分類網(wǎng)絡(luò)通常具有全連接層，其輸入需為固定大小的圖像塊。

2014年，加州大學(xué)伯克利分校的Long等人提出的完全卷積網(wǎng)絡(luò)(Fully Convolutional Networks)，推廣了原有的CNN結(jié)構(gòu)，在不帶有全連接層的情況下能進(jìn)行密集預(yù)測(cè)。

這種結(jié)構(gòu)的提出使得分割圖譜可以生成任意大小的圖像，且與圖像塊分類方法相比，也提高了處理速度。在后來，幾乎所有關(guān)于語義分割的研究都采用了這種結(jié)構(gòu)。

除了全連接層結(jié)構(gòu)，在分割問題中很難使用CNN網(wǎng)絡(luò)的另一個(gè)問題是存在池化層。池化層不僅能增大上層卷積核的感受野，而且能聚合背景同時(shí)丟棄部分位置信息。然而，語義分割方法需對(duì)類別圖譜進(jìn)行較精確調(diào)整，因此需保留池化層中所舍棄的位置信息。

研究者提出了兩個(gè)不同形式的結(jié)構(gòu)來解決這個(gè)問題。

第一種方法是編碼器-解碼器(encoder-decoder)結(jié)構(gòu)。其中，編碼器使用池化層逐漸縮減輸入數(shù)據(jù)的空間維度，而解碼器通過反卷積層等網(wǎng)絡(luò)層逐步恢復(fù)目標(biāo)的細(xì)節(jié)和相應(yīng)的空間維度。從編碼器到解碼器之間，通常存在直接的信息連接，來幫助解碼器更好地恢復(fù)目標(biāo)細(xì)節(jié)。在這種方法中，一種典型結(jié)構(gòu)為U-Net網(wǎng)絡(luò)。

一種典型的編碼器-解碼器結(jié)構(gòu)U-Net

第二種方法使用了稱作空洞卷積的結(jié)構(gòu)，且去除了池化層結(jié)構(gòu)。

空洞卷積，當(dāng)比率為1時(shí)，即為經(jīng)典的卷積結(jié)構(gòu)。

條件隨機(jī)場(chǎng)(Conditional Random Field，CRF)方法通常在后期處理中用于改進(jìn)分割效果。CRF方法是一種基于底層圖像像素強(qiáng)度進(jìn)行“平滑”分割的圖模型，在運(yùn)行時(shí)會(huì)將像素強(qiáng)度相似的點(diǎn)標(biāo)記為同一類別。加入條件隨機(jī)場(chǎng)方法可以提高1~2%的最終評(píng)分值。

發(fā)展中的CRF方法效果。b圖中將一維分類器作為CRF方法的分割輸入；c、d、e圖為CRF方法的三種變體；e圖為廣泛使用的一種CRF結(jié)構(gòu)。

接下來，我們會(huì)梳理一些代表性論文，來介紹從FCN網(wǎng)絡(luò)開始的分割結(jié)構(gòu)演變歷程。

這些結(jié)構(gòu)都使用了VOC2012數(shù)據(jù)集來測(cè)試實(shí)際效果。

一些有趣的研究

接下來將按照論文的發(fā)表順序來介紹以下論文：

1．FCN網(wǎng)絡(luò)；

2．SegNet網(wǎng)絡(luò)；

3．空洞卷積(Dilated Convolutions)；

4．DeepLab (v1和v2)；

5．RefineNet；

6．PSPNet；

7．大內(nèi)核(Large Kernel Matters)；

8．DeepLab v3；

對(duì)于上面的每篇論文，下面將會(huì)分別指出主要貢獻(xiàn)并進(jìn)行解釋，也貼出了這些結(jié)構(gòu)在VOC2012數(shù)據(jù)集中的測(cè)試分值IOU。

FCN

論文：

Fully Convolutional Networks for Semantic Segmentation

于2014年11月14日提交到arvix

https://arxiv.org/abs/1411.4038

主要貢獻(xiàn)：

將端到端的卷積網(wǎng)絡(luò)推廣到語義分割中；

重新將預(yù)訓(xùn)練好的Imagenet網(wǎng)絡(luò)用于分割問題中；

使用反卷積層進(jìn)行上采樣；

提出了跳躍連接來改善上采樣的粗糙程度。

具體解釋：

本文的關(guān)鍵在于：分類網(wǎng)絡(luò)中的全連接層可以看作是使用卷積核遍歷整個(gè)輸入?yún)^(qū)域的卷積操作。

這相當(dāng)于在重疊的輸入圖像塊上評(píng)估原始的分類網(wǎng)絡(luò)，但是與先前相比計(jì)算效率更高，因?yàn)樵趫D像塊重疊區(qū)域，共享計(jì)算結(jié)果。

盡管這種方法并不是這篇文章中所特有的，還有一篇關(guān)于overfeat的文章也使用了這種思想，但是確實(shí)顯著提高了在VOC2012數(shù)據(jù)集上的實(shí)際效果。

用卷積運(yùn)算實(shí)現(xiàn)的全連接層結(jié)構(gòu)

在將VGG等預(yù)訓(xùn)練網(wǎng)絡(luò)模型的全連接層卷積化之后，由于CNN網(wǎng)絡(luò)中的池化操作，得到的特征圖譜仍需進(jìn)行上采樣。

反卷積層在進(jìn)行上采樣時(shí)，不是使用簡單的雙線性插值，而是通過學(xué)習(xí)實(shí)現(xiàn)插值操作。此網(wǎng)絡(luò)層也被稱為上卷積、完全卷積、轉(zhuǎn)置卷積或是分形卷積。

然而，由于在池化操作中丟失部分信息，使得即使加上反卷積層的上采樣操作也會(huì)產(chǎn)生粗糙的分割圖。因此，本文還從高分辨率特性圖譜中引入了跳躍連接方式。

FCN網(wǎng)絡(luò)在VOC2012上測(cè)試的基準(zhǔn)分值

個(gè)人評(píng)論：

本文的研究貢獻(xiàn)非常重要，但是的研究已經(jīng)很大程度地改進(jìn)了這個(gè)結(jié)果。

SegNet

論文：

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

于2015年11月2日提交到arvix

https://arxiv.org/abs/1511.00561

主要貢獻(xiàn)：

將較大池化指數(shù)轉(zhuǎn)移至解碼器中，改善了分割分辨率。

具體解釋：

在FCN網(wǎng)絡(luò)中，通過上卷積層和一些跳躍連接產(chǎn)生了粗糙的分割圖，為了提升效果而引入了更多的跳躍連接。

然而，F(xiàn)CN網(wǎng)絡(luò)僅僅復(fù)制了編碼器特征，而Segnet網(wǎng)絡(luò)復(fù)制了較大池化指數(shù)。這使得在內(nèi)存使用上，SegNet比FCN更為高效。

個(gè)人評(píng)論：

FCN網(wǎng)絡(luò)和SegNet網(wǎng)絡(luò)都是最先出現(xiàn)的編碼器-解碼器結(jié)構(gòu)，但是SegNet網(wǎng)絡(luò)的基準(zhǔn)分值還不能滿足可實(shí)際使用的需求。

空洞卷積

論文：

Multi-Scale Context Aggregation by Dilated Convolutions

于2015年11月23日提交到arvix

https://arxiv.org/abs/1511.07122

主要貢獻(xiàn)：

使用了空洞卷積，這是一種可用于密集預(yù)測(cè)的卷積層；

提出在多尺度聚集條件下使用空洞卷積的“背景模塊”。

具體解釋：

池化操作增大了感受野，有助于實(shí)現(xiàn)分類網(wǎng)絡(luò)。但是池化操作在分割過程中也降低了分辨率。

因此，該論文所提出的空洞卷積層是如此工作的：

?空洞卷積示意圖

空洞卷積層在不降低空間維度的前提下增大了相應(yīng)的感受野指數(shù)。

在接下來將提到的DeepLab中，空洞卷積被稱為多孔卷積(atrous convolution)。

從預(yù)訓(xùn)練好的分類網(wǎng)絡(luò)中(這里指的是VGG網(wǎng)絡(luò))移除最后兩個(gè)池化層，而用空洞卷積取代了隨后的卷積層。

特別的是，池化層3和池化層4之間的卷積操作為空洞卷積層2，池化層4之后的卷積操作為空洞卷積層4。

這篇文章所提出的背景模型(frontend module)可在不增加參數(shù)數(shù)量的情況下獲得密集預(yù)測(cè)結(jié)果。

這篇文章所提到的背景模塊多帶帶訓(xùn)練了前端模塊的輸出，作為該模型的輸入。該模塊是由不同擴(kuò)張程度的空洞卷積層級(jí)聯(lián)而得到的，從而聚集多尺度背景模塊并改善前端預(yù)測(cè)效果。

空洞卷積在VOC2012上測(cè)試的基準(zhǔn)分值

個(gè)人評(píng)論：

需要注意的是，該模型預(yù)測(cè)分割圖的大小是原圖像大小的1/8。這是幾乎所有方法中都存在的問題，將通過內(nèi)插方法得到最終分割圖。

DeepLab(v1和v2)

論文1：

Semantic Image Segmentation with Deep Convolutional Nets and Fully Connected CRFs

于2014年12月22日提交到Arvix

https://arxiv.org/abs/1412.7062

論文2：

DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs

于2016年6月2日提交到Arxiv

https://arxiv.org/abs/1606.00915

主要貢獻(xiàn)：

使用了空洞卷積；

提出了在空間維度上實(shí)現(xiàn)金字塔型的空洞池化atrous spatial pyramid pooling(ASPP)；

使用了全連接條件隨機(jī)場(chǎng)。

具體解釋：

空洞卷積在不增加參數(shù)數(shù)量的情況下增大了感受野，按照上文提到的空洞卷積論文的做法，可以改善分割網(wǎng)絡(luò)。

我們可以通過將原始圖像的多個(gè)重新縮放版本傳遞到CNN網(wǎng)絡(luò)的并行分支(即圖像金字塔)中，或是可使用不同采樣率(ASPP)的多個(gè)并行空洞卷積層，這兩種方法均可實(shí)現(xiàn)多尺度處理。

我們也可通過全連接條件隨機(jī)場(chǎng)實(shí)現(xiàn)結(jié)構(gòu)化預(yù)測(cè)，需將條件隨機(jī)場(chǎng)的訓(xùn)練和微調(diào)多帶帶作為一個(gè)后期處理步驟。

RefineNet

論文：

RefineNet: Multi-Path Refinement Networks for High-Resolution Semantic Segmentation

于2016年11月20日提交到Arxiv

https://arxiv.org/abs/1611.06612

主要貢獻(xiàn)：

帶有精心設(shè)計(jì)解碼器模塊的編碼器-解碼器結(jié)構(gòu)；

所有組件遵循殘差連接的設(shè)計(jì)方式。

具體解釋：

使用空洞卷積的方法也存在一定的缺點(diǎn)，它的計(jì)算成本比較高，同時(shí)由于需處理大量高分辨率特征圖譜，會(huì)占用大量內(nèi)存，這個(gè)問題阻礙了高分辨率預(yù)測(cè)的計(jì)算研究。

DeepLab得到的預(yù)測(cè)結(jié)果只有原始輸入的1/8大小。

所以，這篇論文提出了相應(yīng)的編碼器-解碼器結(jié)構(gòu)，其中編碼器是ResNet-101模塊，解碼器為能融合編碼器高分辨率特征和先前RefineNet模塊低分辨率特征的RefineNet模塊。

RefineNet網(wǎng)絡(luò)結(jié)構(gòu)

每個(gè)RefineNet模塊包含一個(gè)能通過對(duì)較低分辨率特征進(jìn)行上采樣來融合多分辨率特征的組件，以及一個(gè)能基于步幅為1及5×5大小的重復(fù)池化層來獲取背景信息的組件。

這些組件遵循恒等映射的思想，采用了殘差連接的設(shè)計(jì)方式。

PSPNet

論文：

Pyramid Scene Parsing Network

于2016年12月4日提交到Arxiv

https://arxiv.org/abs/1612.01105

主要貢獻(xiàn)：

提出了金字塔池化模塊來聚合背景信息；

使用了附加損失(auxiliary loss)。

具體解釋：

全局場(chǎng)景分類很重要，由于它提供了分割類別分布的線索。金字塔池化模塊使用大內(nèi)核池化層來捕獲這些信息。

和上文提到的空洞卷積論文一樣，PSPNet也用空洞卷積來改善Resnet結(jié)構(gòu)，并添加了一個(gè)金字塔池化模塊。該模塊將ResNet的特征圖譜連接到并行池化層的上采樣輸出，其中內(nèi)核分別覆蓋了圖像的整個(gè)區(qū)域、半各區(qū)域和小塊區(qū)域。

在ResNet網(wǎng)絡(luò)的第四階段(即輸入到金字塔池化模塊后)，除了主分支的損失之外又新增了附加損失，這種思想在其他研究中也被稱為中級(jí)監(jiān)督(intermediate supervision)。

大內(nèi)核

論文：

Large Kernel Matters — Improve Semantic Segmentation by Global Convolutional Network

于2017年3月8日提交到Arxiv

https://arxiv.org/abs/1703.02719

主要貢獻(xiàn)：

提出了一種帶有大維度卷積核的編碼器-解碼器結(jié)構(gòu)。

具體解釋：

這項(xiàng)研究通過全局卷積網(wǎng)絡(luò)來提高語義分割的效果。

語義分割不僅需要圖像分割，而且需要對(duì)分割目標(biāo)進(jìn)行分類。在分割結(jié)構(gòu)中不能使用全連接層，這項(xiàng)研究發(fā)現(xiàn)可以使用大維度內(nèi)核來替代。

采用大內(nèi)核結(jié)構(gòu)的另一個(gè)原因是，盡管ResNet等多種深層網(wǎng)絡(luò)具有很大的感受野，有相關(guān)研究發(fā)現(xiàn)網(wǎng)絡(luò)傾向于在一個(gè)小得多的區(qū)域來獲取信息，并提出了有效感受野的概念。

大內(nèi)核結(jié)構(gòu)計(jì)算成本高，且具有很多結(jié)構(gòu)參數(shù)。因此，k×k卷積可近似成1×k＋k×1和k×1＋1×k的兩種分布組合。這個(gè)模塊稱為全局卷積網(wǎng)絡(luò)(Global Convolutional Network, GCN)。

接下來談結(jié)構(gòu)，ResNet(不帶空洞卷積)組成了整個(gè)結(jié)構(gòu)的編碼器部分，同時(shí)GCN網(wǎng)絡(luò)和反卷積層組成了解碼器部分。該結(jié)構(gòu)還使用了一種稱作邊界細(xì)化(Boundary Refinement，BR)的簡單殘差模塊。

DeepLab v3

論文：

Rethinking Atrous Convolution for Semantic Image Segmentation

于2017年6月17日提交到Arxiv

https://arxiv.org/abs/1706.05587

主要貢獻(xiàn)：

改進(jìn)了空間維度上的金字塔空洞池化方法(ASPP)；

該模塊級(jí)聯(lián)了多個(gè)空洞卷積結(jié)構(gòu)。

具體解釋：

與在DeepLab v2網(wǎng)絡(luò)、空洞卷積中一樣，這項(xiàng)研究也用空洞卷積/多空卷積來改善ResNet模型。

這篇論文還提出了三種改善ASPP的方法，涉及了像素級(jí)特征的連接、加入1×1的卷積層和三個(gè)不同比率下3×3的空洞卷積，還在每個(gè)并行卷積層之后加入了批量歸一化操作。

級(jí)聯(lián)模塊實(shí)際上是一個(gè)殘差網(wǎng)絡(luò)模塊，但其中的空洞卷積層是以不同比率構(gòu)建的。這個(gè)模塊與空洞卷積論文中提到的背景模塊相似，但直接應(yīng)用到中間特征圖譜中，而不是置信圖譜。置信圖譜是指其通道數(shù)與類別數(shù)相同的CNN網(wǎng)絡(luò)頂層特征圖譜。

該論文獨(dú)立評(píng)估了這兩個(gè)所提出的模型，嘗試結(jié)合將兩者結(jié)合起來并沒有提高實(shí)際性能。兩者在驗(yàn)證集上的實(shí)際性能相近，帶有ASPP結(jié)構(gòu)的模型表現(xiàn)略好一些，且沒有加入CRF結(jié)構(gòu)。

這兩種模型的性能優(yōu)于DeepLabv2模型的最優(yōu)值，文章中還提到性能的提高是由于加入了批量歸一化層和使用了更優(yōu)的方法來編碼多尺度背景。

原文地址：

http://blog.qure.ai/notes/semantic-segmentation-deep-learning-review

商業(yè)智能與數(shù)據(jù)分析群

興趣范圍包括各種讓數(shù)據(jù)產(chǎn)生價(jià)值的辦法，實(shí)際應(yīng)用案例分享與討論，分析工具，ETL工具，數(shù)據(jù)倉庫，數(shù)據(jù)挖掘工具，報(bào)表系統(tǒng)等全方位知識(shí)

QQ群：81035754