DeepLabv1 & DeepLabv2 - 空洞卷积（语义分割）

本文为 AI 研习社编译的技术博客，原标题 ： Review: DeepLabv1 & DeepLabv2 — Atrous Convolution (Semantic Segmentation) 作者 | Sik-Ho Tsang 翻译 | 斯蒂芬·二狗子 校对 | 酱番梨 审核 | 约翰逊·李加薪 整理 | 立鱼王

在本文中，回顾了DeepLabv1和DeepLabv2网络，因为他们都使用带孔卷积 Atrous Convolution和全连接的条件随机场（Conditional Random Field，CRF），除了DeepLabv2有一个额外的技术叫做空间金字塔池化Atous Spatial Pyramid Pooling（ASPP），这是DeepLabv2与DeepLabv1的主要区别。 （当然，还有其他差别，例如：DeepLabv2使用ResNet和VGGNet进行实验，但DeepLabv1仅使用VGGNet。）

DeepLab 模型

上图是DeepLab模型架构。首先，输入图像通过网络中的atrous卷积和ASPP。然后，网络的输出图进行双线性插值bilinearly interpolated，并通过完全连接的CRF来微调结果并获得最终输出。

DeepLabv1和DeepLabv2已经在2015 ICLR和2018 TPAMI上发布，在我写这篇故事的时候分别引用了400和2000。

本文涉及的内容：

1. 带孔卷积
2. 空间金字塔池化
3. 全连接的条件随机场
4. 实验结果

1.Atrous卷积

“Atrous”这个词确实来自法语“àtrous”意思洞。因此Atrous conv.也被称为“空洞卷积”。一些论文也称之为"dilated convolution"。它通常用于小波变换，现在它被应用于卷积中以进行深度学习。

下面是atrous卷积的表达式：

1维的带孔卷积（r > 1：atrous卷积，r = 1：标准卷积）

• 当r = 1时，它是我们通常使用的标准卷积。
• 当r > 1时，它是一个带孔的卷积，r是在卷积过程中对输入样本进行采样的步幅。

下图说明这一点

标准卷积（顶部）空洞卷积（底部）

atrous卷积的想法很简单。在上图的顶部是标准卷积。

在图的底部，它是一个空洞卷积。我们可以看到，当rate = 2时，输入信号被交替采样。首先，pad = 2 意味着我们在左侧和右侧填充2个零。然后，在 rate = 2的情况下，我们有每2个输入就对输入信号进行采样以进行卷积。因此，在输出端，我们将有5个输出，这使得输出的特征图增大。 如果我们还记得FCN一文中，一系列的卷积和池化会使输出特征图非常小，因此最后需要32倍的上采样，这是有些放大过度的上采样。

此外，atrous卷积使我们扩大卷积核filter的视野以包含更大的感受域信息。同时，它提供了一种有效的机制来控制感受野的大小，并找到精确定位（小视野）和通过前后信息修复（大视场）细节之间的最佳平衡。

在DeepLab中，使用VGG-16或ResNet-101，最后一个池化（pool5）或卷积conv5_1的步幅分别设置为1，以避免信号被过度抽取。并且使用rate=2的空洞卷积替换所有后续卷积层。这使得输出变大很多。我们只需要进行8次上采样即可对输出要求的尺寸。并且双线性插值对于8×上采样具有相当好的性能。

2.带孔空间金字塔池化（ASPP）

带孔的空间金字塔池化（ASPP）

ASPP实际上是空间金字塔池的一个版本，其中的概念已经在SPPNet中描述。在ASPP中，在输入特征映射中应用不同速率的并行空洞卷积，并融合在一起。 由于同一类的物体在图像中可能有不同的比例，ASPP有助于考虑不同的物体比例，这可以提高准确性。

3.完全连接的条件随机场（CRF）

完全连接的CRF在双线性插值后应用于网络输出上

全连接的CRF

x是像素的标签分配。 P（xi）是像素i处的标签分配概率。因此，第一项θi是对数概率。 对于第二项，θij，它是一个滤波器。当xi != xj时，μ= 1。当xi = xj时，μ= 0。在括号中，它是两个内核的加权和。第一个核取决于像素值差和像素位置差，这是一种双边的filter。双边滤波器具有保留边缘的特性。第二个内核仅取决于像素位置差异，这是一个高斯滤波器。那些σ和w，通过交叉验证找到。迭代次数为10。

上：得分图（softmax函数前的输入），下图：置信图（softmax函数的输出）

通过10倍的CRF，飞机周围不同颜色的小区域变得平滑起来。

但是，CRF是一个后阶段的处理过程，它使DeepLabv1和DeepLabv2变为不是端到端的学习框架。并且它是不在DeepLabv3和DeepLabv3 +中使用。

4.结果

4.1 实验验证

DeepLab-LargeFOV（左：即仅单个atrous conv），DeepLab-ASPP（右，即ASPP）

在PASCAL VOC 2012验证集中使用ResNet-101的每个模型组件的结果

• 简单使用ResNet-101: 68.72%
• MSC: 多尺度输入
• COCO: 由COCO数据集预训练的模型
• Aug: 通过随机缩放（从0.5到1.5）输入图像进行数据增强
• LargeFOV: 使用一次空洞卷积上采样的DeepLab模型
• ASPP: 使用并行的空洞卷积的DeepLab模型
• CRF: 全连接的条件随机场做最后处理

4.2 与最先进的方法对比

PASCAL VOC 2012测试集（最左侧）PASCAL-Context（左二）PASCAL-Person-Part（右二）Cityscape（最右侧）

如上所述测

4.3 定性的结果

结果: PASCAL-Context数据

结果: Cityscape数据

但DeepLab也有一些失败的例子，其中自行车和椅子由多个细小的部分组成，如自行车和椅腿的部分：

失败的例子

希望将来能够写篇关于DeepLabv3和DeepLabv3 +的博文。

参考文献

[2015 ICLR] [DeepLabv1] Semantic Image Segmentation with Deep Convolutional Nets and Fully Connected CRFs

[2018 TPAMI] [DeepLabv2] DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs

我相关的文章

[SPPNet] [VGGNet] [ResNet] [FCN]

原文链接：

https://towardsdatascience.com/review-deeplabv1-deeplabv2-atrous-convolution-semantic-segmentation-b51c5fbde92d