分割知識點總結(jié)

1 什么是分割

原始圖像，（b）語義分割，（c）實例分割和（d）全景分割。

盡管FCN意義重大，在當時來講效果也相當驚人，但是FCN本身仍然有許多局限。比如：

1）沒有考慮全局信息；

2）無法解決實例分割問題；

3）速度遠不能達到實時；

4）不能夠應對諸如3D點云等不定型數(shù)據(jù)基于此。

下圖給出了部分研究成果與FCN的關(guān)系。

2 FCN

目前在圖像分割領(lǐng)域比較成功的算法，有很大一部分都來自于同一個先驅(qū)：Long等人提出的Fully Convolutional Network（FCN），F(xiàn)CN用卷積層和池化層替代了分類網(wǎng)絡(luò)中的全連接層，從而使得網(wǎng)絡(luò)結(jié)構(gòu)可以適應像素級的稠密估計任務(wù)。

全連接層轉(zhuǎn)換成卷積層

連接不同尺度下的層

FCN可以與大部分分類網(wǎng)絡(luò)有效結(jié)合，下表中給出了在PASCAL VOC 2011數(shù)據(jù)庫下，F(xiàn)CN與AlexNet、FCN-VGG16和FCN-GoogLeNet結(jié)合的結(jié)果。

分割任務(wù)中的編碼器encode與解碼器decode；

分割任務(wù)中的編碼器結(jié)構(gòu)比較類似，大多來源于用于分類任務(wù)的網(wǎng)絡(luò)結(jié)構(gòu)，比如VGG。解碼器的不同在很大程度上決定了一個基于編解碼結(jié)構(gòu)的分割網(wǎng)絡(luò)的效果。

2）SegNet

SegNet的編碼器結(jié)構(gòu)與解碼器結(jié)構(gòu)是一一對應的，即一個decoder具有與其對應的encoder相同的空間尺寸和通道數(shù)。對于基礎(chǔ)SegNet結(jié)構(gòu)，二者各有13個卷積層，其中編碼器的卷積層就對應了VGG16網(wǎng)絡(luò)結(jié)構(gòu)中的前13個卷積層。SegNet與FCN的對應結(jié)構(gòu)相比，體量要小很多。這主要得益于SegNet中為了權(quán)衡計算量而采取的操作：用記錄的池化過程的位置信息替代直接的反卷積操作。

3）解碼器變體

4、感受野與分辨率的控制術(shù)—空洞卷積

1）緒論

分割任務(wù)是一個像素級別的任務(wù)，因此需要在輸入的空間尺寸下對每個像素都有分割的結(jié)果。換句話說，如果輸入的空間尺寸是HxW，那么輸出也需要是HxW的。為了提高網(wǎng)絡(luò)性能，許多結(jié)構(gòu)采用了池化或striding操作來增加感受野，同時提升遠程信息的獲取能力。但是這樣的結(jié)構(gòu)也帶來了空間分辨率的下降。比如之前提到的編解碼結(jié)構(gòu)中的編碼器。

在空洞卷積提出以前，大部分的空間尺寸恢復工作都是由上采樣或反卷積實現(xiàn)的。前者通常是通過線性或雙線性變換進行插值，雖然計算量小，但是效果有時不能滿足要求；后者則是通過卷積實現(xiàn)，雖然精度高，但是參數(shù)計算量增加了。

空洞卷積：調(diào)整感受野（多尺度信息）的同時控制分辨率的神器。

(1) 控制感受野

下圖是空洞卷積結(jié)構(gòu)的示意圖，從左到右比率（rate）分別為1、6和24，比率可以粗暴理解為卷積核內(nèi)相鄰兩個權(quán)重之間的距離。從圖中可以看出，當比率為1的時候，空洞卷積退化為常見的卷積。

(2) 控制分辨率

除了維持空間分辨率，空洞卷積也可以像標準卷積一樣通過設(shè)置輸出步長（output_stride）實現(xiàn)輸出特征圖分辨率的控制。

3）網(wǎng)絡(luò)結(jié)構(gòu)

(1) 網(wǎng)絡(luò)結(jié)構(gòu)介紹

從左到右分別是金字塔結(jié)構(gòu)、編解碼結(jié)構(gòu)、空洞卷積結(jié)構(gòu)和空間金字塔池化結(jié)構(gòu)。

4）實驗及分析

（1）卷積核的有效權(quán)重

當空洞卷積的區(qū)域與特征圖實際空間尺寸相近的時候，實際有效的卷積核權(quán)重是非常有限的。在極端條件下，當空洞卷積的比率接近特征圖空間尺寸時，一個3x3的卷積核就退化成了1x1的卷積核。

為了克服這個問題，DeepLabv3中采用的做法是對最后一層特征圖應用全局池化（global pooling），再將其送入一個1x1的卷積層中，最后，通過雙線性上采樣實現(xiàn)希望的空間分辨率。

(2) 實驗總結(jié)

DeepLabv3給出了諸多條件下的剝離實驗，首先給出整體結(jié)論：

輸出步長為8時效果比更大的步長要好；

基于ResNet-101的結(jié)構(gòu)比基于ResNet-50的要好；

用變化的比率比11的比率要好；

加上多尺度輸入和左右翻折數(shù)據(jù)效果更好；

用MS COCO下預訓練的模型效果更好。

4、快速道路場景分割—ENet

（1）緒論

雖然深度神經(jīng)網(wǎng)絡(luò)在計算機視覺領(lǐng)域的有效性已經(jīng)是毋容置疑的了，但是大部分神經(jīng)網(wǎng)絡(luò)仍然受限于計算量、存儲空間、運算速度等因素，無法應用于實際的計算機視覺任務(wù)。

以圖像分割為例，前面提到的SegNet的速度已經(jīng)相當快了，但是仍然遠不能達到實時分割的目的。比如道路場景分割任務(wù)，至少需要達到10fps，而SegNet的速度只能實現(xiàn)1fps左右。

（2） 實時，該考慮什么？

特征圖分辨率

為了減小計算量、增大感受野，許多網(wǎng)絡(luò)都采用縮小特征圖分辨率的結(jié)構(gòu)（比如前面提到的SegNet）。但是，過度縮小特征圖分辨率則會造成嚴重的信息丟失，從而造成分割精度的下降。因此，要盡可能約束下采樣的比率。目前被廣泛接受的下降比率不超過1/8。那么還要繼續(xù)增大感受野該怎么辦呢？沒錯，就是用到空洞卷積了。

提前下采樣

解碼器規(guī)模

非線性操作

分解卷積層

考慮到卷積層權(quán)重其實有相當大的冗余，可以用nx1和1xn的兩個卷積層級聯(lián)（對稱卷積）來替代一個nxn的卷積層來縮小計算量。具體地，用n=5的對稱卷積的計算量近似于一個3x3的普通卷積，但是由于引入了非線性，這樣的操作還能夠增加函數(shù)的多樣性。

(6) 空洞卷積

引入空洞卷積可以減小計算量、增大感受野，同時維護了特征圖的分辨率。為了使空洞卷積發(fā)揮最大的作用，ENet中穿插地使用了普通卷積、對稱卷積和空洞卷積。

（3）網(wǎng)絡(luò)結(jié)構(gòu)

ENet主要由兩種類型的網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)成，如下圖所示：

其中，圖(a)對應的是ENet的初始模塊，也就是前文提到的縮小輸入圖像分辨率，從而去除視覺冗余、減小計算量的部分；圖(b)對應的則是重復使用，從而構(gòu)建網(wǎng)絡(luò)主體的bottleneck模塊。

5、以RNN形式做CRF后處理—CRFasRNN

（1）條件隨機場（CRF或CRFs）與隱馬爾科夫模型有著千絲萬縷的聯(lián)系。

馬爾科夫鏈是指具有馬爾可夫性質(zhì)且存在于離散指數(shù)集合狀態(tài)空間內(nèi)的隨機過程，之前走過的每一步之間是條件獨立的，即上一步走的方向不會影響這一步的方向。由于存在的選擇只有四個（舉例：上下左右），即選擇離散，所以我們稱這個過程為馬爾科夫鏈。當選擇連續(xù)時，稱為馬爾科夫過程（Markov Process）。

（2）

隱式馬爾科夫模型（HMM，Hidden Markov Model）是關(guān)于時序的概率模型，描述由一個隱藏的馬爾科夫鏈隨機生成的不可觀測的狀態(tài)隨機序列，再由各個狀態(tài)生成一個觀測而產(chǎn)生觀測序列的過程。隱藏的部分稱為狀態(tài)序列；生成的觀測組成的隨機序列稱為觀測序列。

什么是CRF？

CRF是一種判別式概率模型，是隨機場的一種，結(jié)合了最大熵模型和隱式馬爾科夫模型的特點；CRF是一種無向圖模型，圖中的頂點代表隨機變量，頂點間的連線代表隨機變量間的相依關(guān)系。其條件概率分布模型可以表述為P(Y|X)，即給定一組隨機變量的條件下，隨機變量Y的馬爾科夫隨機場（MRF，Markov Random Field）。

（3）網(wǎng)絡(luò)結(jié)構(gòu)

那么，如果用一個FCN模型完成第一階段的分割任務(wù)，用RNN形式的CRF完成第二階段的后處理（CRF-RNN），則可以搭建如下形式的端到端分割網(wǎng)絡(luò)結(jié)構(gòu)模型：

6、多感受野的金字塔結(jié)構(gòu)—PSPNet

（1）為什么要用金字塔結(jié)構(gòu)提取特征

由于金字塔結(jié)構(gòu)并行考慮了多個感受野下的目標特征，從而對于尺寸較大或尺寸過小的目標有更好的識別效果。

（2）金字塔池化模型

下圖是論文中提出的基于金字塔池化模型的網(wǎng)絡(luò)結(jié)構(gòu)。其中，虛線框出來的部分屬于金字塔池化模型。

實驗中分別用了1x1、2x2、3x3和6x6四個尺寸，最后用1x1的卷積層計算每個金字塔層的權(quán)重，再通過雙線性恢復成原始尺寸。

最終得到的特征尺寸是原始圖像的1/8。最后在通過卷積將池化得到的所有上下文信息整合，生成最終的分割結(jié)果。

7、全局特征與局部特征的交響曲—ParseNet

（1）理論感受野是真的嗎？

大家已經(jīng)能夠體會到感受野對于分割網(wǎng)絡(luò)效果的影響有多么巨大了。簡單來說，感受野越大，網(wǎng)絡(luò)所能“看見”的區(qū)域就越大，從而能夠用于分析的信息就更多。由此，分割的效果也很有可能更好。

基于這種考慮，許多算法嘗試通過改變自身網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計來增大網(wǎng)絡(luò)的理論感受野，認為這樣就能夠為網(wǎng)絡(luò)帶來更多的信息。盡管理論感受野的增大的確能夠增加網(wǎng)絡(luò)所獲取的上下文信息，但是，理論感受野難道真的就代表了算法實際看見的區(qū)域嗎？

網(wǎng)絡(luò)實際上能夠覆蓋的區(qū)域也就能達到整圖的1/4左右，遠遠沒有達到理論感受野的尺寸。那么究竟該如何利用全部的圖像上下文信息呢？ParseNet提出了一種融合全局信息與局部信息的方法，下面來具體介紹一下。

（2）全局特征的提取與融合

如下圖所示，ParseNet通過全局池化提取圖像的全局特征，并將其與局部特征融合起來。這種融合在過程中需要考慮兩個主要問題：融合的時機與尺度的歸一化。

融合時機

全局特征與局部特征的融合可以發(fā)生在兩個節(jié)點：分別是訓練分類器之前（early fusion）和訓練分類器之后（late fusion）。其中，前者是將兩個特征融合后，作為一個整體共同送入分類網(wǎng)絡(luò)，訓練分類器；后者則是以兩個特征為輸入，分別訓練其對應的分類器，最后再將分類的結(jié)果整合。

歸一化

8、多分辨率特征融合—RefineNet

（1）恢復空間分辨率

在分割任務(wù)中，為了提取更復雜的特征、構(gòu)建更深的神經(jīng)網(wǎng)絡(luò)，許多算法往往會以犧牲空間分辨率的方式，在盡量少地增加計算量的前提下，換取特征通道數(shù)的增加。雖然這種方式有諸多優(yōu)點，但是也有一個明顯的缺陷——空間分辨率的下降。

下面我們具體聊一下RefineNet的網(wǎng)絡(luò)結(jié)構(gòu)和設(shè)計思想。

（2）全局特征的提取與融合

RefineNet總共包括三大模塊：殘差卷積模塊（RCU，Residual Convolution Unit）、多分辨率融合模塊（Multi-Resolution Fusion）和串聯(lián)殘差池化模塊（Chained Residual Pooling）。

RCU模塊

RCU模塊的結(jié)構(gòu)如下圖所示：

每個RCU模塊包括一個ReLU層和一個卷積層，網(wǎng)絡(luò)結(jié)構(gòu)中，每個分辨率下應用兩個串聯(lián)的RCU模塊，用于提取該分辨率下的分割結(jié)果的殘差，最后以相加的形式校正該分辨率下的原始分割結(jié)果。

多分辨率融合

下圖是多分辨率融合部分的詳細結(jié)構(gòu)：

在給定了多分辨率下經(jīng)過處理的分割結(jié)果后，各個結(jié)果將依次通過一個卷積層和一個上采樣層，形成空間分辨率統(tǒng)一的分割結(jié)果圖。

具體而言，網(wǎng)絡(luò)首先通過一個卷積層處理輸入進來的不同分辨率下的分割結(jié)果，從而學習得到各通道下的適應性權(quán)重。隨后，應用上采樣，統(tǒng)一所有通道下的分割結(jié)果，并將各通道結(jié)果求和。求和結(jié)果送入下一個模塊。

串聯(lián)殘差池化

下圖是這一模塊的結(jié)構(gòu)圖：

這個模塊主要由一個殘差結(jié)構(gòu)、一個池化層和一個卷積層組成。其中，池化層加卷積層用來習得用于校正的殘差。值得注意的是，RefineNet在這里用了一個比較巧妙的做法：用前一級的殘差結(jié)果作為下一級的殘差學習模塊的輸入，而非直接從校正后的分割結(jié)果上再重新習得一個獨立的殘差。

這樣做的目的，RefineNet的作者是這樣解釋的：可以使得后面的模塊在前面殘差的基礎(chǔ)上，繼續(xù)深入學習，得到一個更好的殘差校正結(jié)果。

最后，網(wǎng)絡(luò)又經(jīng)過一個一個RCU模塊，平衡所有的權(quán)重，最終得到與輸入空間尺寸相同的分割結(jié)果。

（3）網(wǎng)絡(luò)結(jié)構(gòu)變種

單個RefineNet

2次級聯(lián)的RefineNet

4次級聯(lián)2倍RefineNet

除了語義分割，RefineNet還可以用于目標理解（object parsing）。下圖是RefineNet在目標理解上的直觀結(jié)果：

9、用BRNN做分割—ReSeg

（1）簡單說說BRNN

什么是循環(huán)神經(jīng)網(wǎng)絡(luò)？

不同于卷積神經(jīng)網(wǎng)絡(luò)（CNN，Convolutional Neural Network）通常以圖塊（patches）為輸入，循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN，Recurrent Neural Network）的輸入是序列形式的。即使在處理圖像時，通常也需要對圖像矩陣進行展開（flatten）操作，再應用RNN。輸入序列數(shù)據(jù)后，RNN在序列的演進方向遞歸所有節(jié)點，并將其定向鏈式連接。

下圖是一個簡單的RNN單元示意圖：

為什么要用RNN？

什么是BRNN？

BRNN是雙向循環(huán)神經(jīng)網(wǎng)絡(luò)（Bi-directional RNN）的縮寫，屬于循環(huán)神經(jīng)網(wǎng)絡(luò)的一種?；A(chǔ)RNN只能依據(jù)之前時刻的時序信息來預測下一時刻的輸出，但是有些問題中需要聯(lián)系上之前和未來狀態(tài)，共同進行預測。BRNN由兩個方向不同的RNN堆疊而成，同時處理過去和未來信息。下圖是BRNN的示意圖：

（2）ReSeg：用BRNN做分割

ReSeg是基于圖像分割模型ReNet提出的。因此，我們首先來看一下ReNet。

10、BRNN下的RGB-D分割—LSTM-CF

（1）RGB-D分割

RGB-D分割中的D指的是“Depth”，即“深度”，也就是相機到物體在實際空間中的距離。

引入深度信息后，其提供的額外結(jié)構(gòu)信息能夠有效輔助復雜和困難場景下的分割。比如，與室外場景相比，由于語義類別繁雜、遮擋嚴重、目標外觀差異較大等原因，室內(nèi)場景的分割任務(wù)要更難實現(xiàn)。此時，在結(jié)合深度信息的情況下，能夠有效降低分割的難度。

11、實例分割模型—DeepMask

（1）實例分割

實例分割任務(wù)有其自己的任務(wù)需求與度量矩陣。簡單來講，語義分割只分割視野內(nèi)目標的類型，而實例分割則不僅分割類型，同時還需要分割同類型的目標是否為同一個實例。

（2）DeepMask

DeepMask網(wǎng)絡(luò)其實實現(xiàn)了三個任務(wù)：前背景分割、前景語義分割與前景實例分割。這三個任務(wù)是基于同一個網(wǎng)絡(luò)結(jié)構(gòu)進行的，只是各自有單獨的分支。下圖是DeepMask的網(wǎng)絡(luò)模型概況：

與大部分分割網(wǎng)絡(luò)相同，DeepMask同樣應用了VGG模型作為特征提取的主要模塊，在訓練中也用了ImageNet下訓練得到的VGG參數(shù)初始化這一部分模型。DeepMask用兩條分支來分別實現(xiàn)分割任務(wù)和前景目標識別任務(wù)。

分割部分

分割部分要實現(xiàn)的是對圖塊內(nèi)場景的類別的識別，由一個1x1卷積層后接分類層實現(xiàn)。這里的分類是稠密的，也就是對每一個像素都有其對應的標注。

前景Score部分

網(wǎng)絡(luò)的第二個分支要完成的任務(wù)是，判斷一個圖塊是否滿足下面兩個要求：

目標位于圖塊的正中心附近

目標完整存在于圖塊中（在某一尺度范圍內(nèi)）

12、全景分割是什么？

（1）全景分割

與之前介紹的語義分割與實例分割不同，全景分割任務(wù)（Panoptic Segmentation）要求圖像中的每個像素點都必須被分配給一個語義標簽和一個實例id。其中，語義標簽指的是物體的類別，而實例id則對應同類物體的不同編號。

全景分割的實現(xiàn)也面臨著其他難題。比如，與語義分割相比，全景分割的困難在于要優(yōu)化全連接網(wǎng)絡(luò)的設(shè)計，使其網(wǎng)絡(luò)結(jié)構(gòu)能夠區(qū)分不同類別的實例；而與實例分割相比，由于全景分割要求每個像素只能有一個類別和id標注，因此不能出現(xiàn)實例分割中的重疊現(xiàn)象。

全景分割的具體分割形式有以下兩點要求：

圖像中的每個像素點都有一個對應的語義類別和一個實例id，如果無法確定可以給予空標注。

所有語義類別要么屬于stuff，要么屬于things，不能同時屬于二者；且stuff類別沒有實例id（即id統(tǒng)一為一個）。

全景分割與語義分割的關(guān)系：

如果所有的類別都是stuff，那么全景分割除了度量與語義分割不同外，其它相同。

全景分割與實例分割的關(guān)系：

全景分割中不允許重疊，但實例分割可以；此外，實例分割需要每個分割的置信概率，但全景分割不需要。盡管如此，全景分割內(nèi)為了輔助機器的辨識，也是可以引入置信概率的概念的。

（2）度量矩陣

為了將stuff類別和things類別統(tǒng)一在一個分割任務(wù)下，全景分割的度量應當具有以下三個性質(zhì)：

完整性：對stuff和things類別一視同仁，包含任務(wù)中的所有方面。

可解釋性：度量需要具有能夠可定義、可理解、可交流的性質(zhì)。

簡單：有效的度量應當簡潔、可復現(xiàn)。

基于此，全景分割的度量被分為了分割匹配（segment matching）和全景質(zhì)量計算（panoptic quality computation）兩個部分。

分割匹配：要求IoU（Intersection over Union）嚴格大于0.5才算匹配，且不可以有重疊區(qū)域，限制一個像素只能對應一個標簽。

全景質(zhì)量計算：對每個類別的全景分割質(zhì)量的單獨計算結(jié)果取平均，從而保證分割結(jié)果對類別不敏感。

審核編輯：劉清