空洞卷积与DeeplabV2实现图像语义分割的测试（tensorflow)

图像语义分割是对图像像素级理解的基础，也是图像处理的高阶操作。自从深度学习出来之后，已经有了不少的基于卷积网络的图像语义分割模型，如从全卷积网络到大型卷积核：深度学习的语义分割全指南这篇文章介绍了非常多的模型。

本篇博客只对空洞卷积进行多尺度背景聚合（Multi-Scale Context Aggregation by Dilated Convolutions）和DeepLab2（DeepLab + ResNet）两篇来进行测试。毕竟在介绍DeepLab2的时候需要用到空洞卷积。

（1）空洞卷积

空洞卷积的原理如图所示，仔细看了下原理，才知道在传统的CNN中，正常都会采用pooling池化来达到降维的目的，这种在图像语义分割中会产生一定的副作用，如经典的FCN在第3－5的featuremap（特征层）上进行语义分割，由于经过池化后的特征层上像素尺寸比较低，即使通过上采样，featuremap上的精度也会损失。因此空洞卷积的目的是：不要池化层，毕竟池化之后正常会减少像素的信息而导致信息损失。同时在某个卷积操作后进行如图所示的操作，从而可以扩大感知的视野，再采用这样大视野的新的featuremap操作从而来实现更加精确的语义分割。在Dilated Convolutions文章指出dilated convolution既可以以指数的速度扩大感受野且不会降低特征的分辨率和大小。dilated convolution感受野指数级计算的公式如下：F^(i+1)=(2^(i+2) − 1)×(2^(i+2) − 1)。

　　对该模型进行测试，以实时路面某个监控场景来例，其语义分割结果如下所示，可以发现对汽车和行人的监控场景还不错。

上面的图场景比较复杂，分割结果也相对较差，主要里面的三轮面包车可能在Camvid这个训练集里面没有，导致没有识别的缘故。

（2）　DeepLab2

DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs。其流程图如下所示：

可以看出，DeepLab2使用了带孔/空洞卷积，金字塔型的空洞池化（ASPP）和全连接 CRF等多项技术的结合。

其中空洞卷积见第1部分，而SPP是一种空间金字塔分辨率的方式，从而来实现多个尺度的featuremap，从而可以实现对多种不同尺度图像对象的语义分割。

   DeepLab2的测试结果如下：

（1）论文原图的测试，可以发现分割精度还不错。

（2）路上行人的分割。

可以发现，对于远景的超市门口的人的分割还是不够。。。