图像分割网络探究

文章目录

• 1. FCN全卷积网络-2014
• 2. 编解码结构SegNet-2015
• 3. U-Net分割网络-2015
• 4. DeepLab v1,v2,v3 -2015,2017,2018
• 5. 实时分割网络ENet-2016
• 6. CRFasRNN-空了看看
• 7. PSPNet-2017
• 8.Parsenet
• 9. UNet++ 2018
• 10. Deepmask 实例分割 2015
• 11. RefineNet 多分辨率特征融合 -2016
• 12. LinkNet: Exploiting Encoder Representations for Efficient Semantic Segmentation

主要图像分割任务的区别：
语义分割：把一定数目不同的类别的图像分割出来，不需要分开多个相同的个体；
实例分割：区分一定数目相同类别的不同个体；
全景分割：区分未知数目相同类别的不同个体。

1. FCN全卷积网络-2014

参考：FCN

特点：

• 输入：整幅图像。输出：空间尺寸与输入图像相同，通道数等于全部类别个数。真值：通道数为1（或2）的分割图像。
• 池化层P5上采样（反卷积）+P4上采样+P3上采样作为最终的预测具有最好的效果。即把后阶段的特征加到前面的特征图，再更大的尺寸进行预测。（一般分类是下采样到最好层进行加操作，但是这里是上采样，能够不丢失信息的同时保持最后阶段的语义特征）。相当于在特征金字塔的最底层进行预测。

缺点：

• 得到的结果还是不够精细。进行8倍上采样虽然比32倍的效果好了很多，但是上采样的结果还是比较模糊和平滑，对图像中的细节不敏感。
• 对各个像素进行分类，没有充分考虑像素与像素之间的关系。

尽管FCN意义重大，在当时来讲效果也相当惊人，但是FCN本身仍然有许多局限。比如：
（1）没有考虑全局信息
（2）无法解决实例分割问题
（3）速度远不能达到实时
（4）不能够应对诸如3D点云等不定型数据
相关改进如图所示：

2. 编解码结构SegNet-2015

特点：

• 使用记住位置的反池化进行上采样，而不是FCN的反卷积，能够减少参数。基于pooling indices的上采样方法更加锐化了边缘，同时存储空间的需求大大减小了；
• 解码器特征图的大小恢复到了输入图的大小，而不是FCN的8倍下采样的大小。相当于完整的特征金字塔。

3. U-Net分割网络-2015

特点：

• 上采样采用双线性插值，没有学习参数。
• FCN 中深层信息与浅层信息融合是通过对应element-add的方式，而 Unet 是通过Concat的方式。(在相加的方式下，feature map 的维度没有变化，但每个维度都包含了更多特征，对于普通的分类任务这种不需要从 feature map 复原到原始分辨率的任务来说，这是一个高效的选择；而拼接则保留了更多的维度/位置 信息，这使得后面的 layer 可以在浅层特征与深层特征自由选择，这对语义分割任务来说更有优势。)

4. DeepLab v1,v2,v3 -2015,2017,2018

参考:分割模型解读】感受野与分辨率的控制术—空洞卷积
DeepLab系列总结「v1、v2、v3、v3+」
Deeplab系列(V1\V2\V3)论文理解
v1特点：

• 网络中重复的最大池化和下采样会造成分辨率下降，DeepLabv1通过带孔卷积（atrous）解决。也就是poo4之后在不改变特征尺寸的基础上增大了感受野，也就不需要前面提到的解码器了。但是最后使用插值上采样恢复到输入尺寸。
• 分类器获得以对象为中心的决策需要空间不变性，从而限制了DCNN的空间精度，DeepLabv1通过条件随机场（CRF）提高模型捕获精细细节的能力
  
  网络基于VGG做出的改变：
• 把最后的全连接层FC6、7、8改造成卷积层，步幅32（步幅=输入尺寸/输出特征尺寸）
• pool4，pool5的stride由2变为1。（目标步幅8）
• conv5_1, conv5_2和conv5_3中hole size为2，后面的fc6中hole size为4。
• 由于Hole算法让feature map更加dense，所以网络直接用差值升采样就能获得很好的结果，而不用去学习升采样的参数了（FCN中采用了de-convolution）
  。

v2特点：

• 采用多尺度处理和ASPP达到了更好的性能。
• 在DeepLab-v1基础上将VGG-16换成ResNet
  
  
  v3特点：
• ASPP后加了BN层
• 没有使用CRF
• 尝试复制了ResNet最后的block，并级联
• 使用了深层次的空洞卷积，改进的ASPP

下图尝试了使用多个空洞卷积的串联结构：

下图尝试并联结构，相当于ASPP，但是对其进行了改进：当采样率接近特征映射大小时，原来3x3卷积的9个参数只剩下中间参数有效，其他参数作用于前面feature层的padding部分，为无效参数，所以在rate变大时，33卷积退化成11卷积，所以这里的aspp去掉了rate=24的分支，直接使用1*1卷积分支。另外，为了获得全局信息，加入了image pooling分支，其实这个分支做的操作就是将block4输出的feature进行全局池化，然后再双线性插值到与其他分支一样的分辨率。最后将五个分支concat，再做1*1卷积（通道数变化）。

v3+特点：

( a ): 即DeepLabv3的结构，使用ASPP模块获取多尺度上下文信息，直接上采样得到预测结果
( b ): encoder-decoder结构，高层特征提供语义，decoder逐步恢复边界信息
( c ): DeepLabv3+结构，以DeepLabv3为encoder，decoder结构简单
完整网络如下所示：

decoder的组成:

encoder输出的feature的outputstride=16，经过双线性上采样4倍得到FA，FA的outputstride=4。再取encoder中对应着相同分辨率(即outputstride=4)的特征层，经过1×1卷积降通道，此时输出的feature记为FB。这里为什么要经过1×1卷积降通道，是因为此分辨率的特征通道较多(256或512)，而FA输出只有256，故降通道以保持与FA所占比重，利于模型学习。将FA和FB做concat，再经过一个3×3卷积细化feature，最终再双线性上采样4倍得到预测结果。

encoder结构变化：

扩张分离卷积：
深度分离卷积，将标准卷积分解成深度卷积（depthwise convolution)和逐点卷积(pointwise convolution)，我们对扩张卷积和深度卷积结合在一起，即扩张分离卷积，显著减少模型的计算复杂度并维持相似的表现。

本文使用Xception的结构，在每个3*3的深度卷积后增加BN和ReLU，将此作为encoder网络主体，代替本来的ResNet101。与Xception不同的几点是：
（1）层数变深了
（2）所有的最大池化都被替换成了3x3 with stride 2 的separable convolution
（3）在每个3x3 depthwise separable convolution的后面加了BN和ReLU

总结Deeplab的发展过程：首先是提出了空洞卷积，然后提出了空洞金字塔卷积，最后是融合中间特征的解码器结构。主干网络从VGG换成了Resnet101，再到Xception。

5. 实时分割网络ENet-2016

实时网络设计可考虑的内容（这部分细节要看看论文）：

• 特征图分辨率：不可以太小，但是也不能太大。目前被广泛接受的下降比率不超过1/8。可采用空洞卷积。
• 提前下采样：原始图片存在大量的冗余信息，所以可以先缩小图片，同时特征数目不用太多，16和32差不多。
• 解码器规模：编码器用于编码信息，但是解码器主要用于信息微调，所以不用太大。
• PRelu，分解卷积层，空洞卷积，正则化等。

下面是ENet的主要模块和网络：

输入同时使用了卷积和池化，使用池化的目的是获得更多的有用信息，因为这里只用了一层卷积。在bottleneck中，也是同时使用了卷积和池化（需要下采样时），但是卷积层先降维再升维。

6. CRFasRNN-空了看看

7. PSPNet-2017

Pyramid Scene Parsing Network：可看做是输出特征金字塔。对最后的特征进行了不同尺度的卷积操作（卷积核为1,2,3,6等）。优点是可以关注到不同尺寸的物体。
POOL为全局平均池化；
conv是11卷积，实现降维；
Upsample是双线性插值；
Concat包括池化前和后的所有特征；
最后使用了11卷积获得不同类别的特征图。

8.Parsenet

特点：

• 认为实际感受野达不到理论感受野，故提出使用全局池化增加全局信息；

特征图全局平均池化，再分别使用L2归一化，因为这些特征的尺度（scale）和范数（norm）是不同的。如果直接将这些特征级联起来会造成大特征控制小特征，使分割效果变差。最后池化后的赋值H*W次，恢复特征维度，最后caoncat,再学习尺度参数对尺度进行调整，因为如果只是单纯地对所有输入层进行归一化，不仅会减慢网络的训练速度，同时也会改变该层的尺度。因此，还需要对其增加一个尺度参数gamma，将归一化的结果进行尺度缩放（缩放结果为y）。
感觉前面提到的ENet和Deeplabv3都借鉴了本文的思想，ENet在卷积的时候使用了最大池化，Deeplabv3在最后的特征金字塔使用了全局平均池化（原文明确提出引用了）。

9. UNet++ 2018

Unet++论文解读
分析：
（1）Unet的缺点在哪
这个结构最优秀的点就在于结合了深浅层特征，结合的方式类似却优于FCN。但是如何进一步提升特征结合的方式呢？这里使用了中间层进行残差卷积的方式。只有短链接，没有长连接，那么前面的特征似乎还是没用起来，那么就想到了dense的想法，将前层的内容都加到一起。
（2）Unet要多深合适？
有些问题简单，浅层网络就能解决，增加深度并不能增加效果。有些问题难，就需要深层网络，毕竟需要将问题抽象的更猛烈些。如何选择最优呢？这里使用中间层输出进行深度监督的方式。
（3）降采样对于分割网络到底是不是必须的？
这一点我认为除了作者所说的增加鲁棒性，轻微的旋转不变性，减少训练参数等原因。其实也有为了能增加卷积网络深层的原因，还有增加感受野的原因。这里中间层的特征其实是没有进过完全的下采样的。
总结主要改进点：
在每阶段都恢复输出到原尺寸，最后进行多监督。效果：保证不受深度的影响，每阶段都有输出，多次卷积也在保留低层次特征的同时提高了每阶段特征的抽象效果。

10. Deepmask 实例分割 2015

感觉不是很懂，为什么网络的输出只是一个分割结果，但是又能够分割出多个对象。

VGG出来的网络很简单，一个掩膜分支，一个概率分支。

11. RefineNet 多分辨率特征融合 -2016

特点：

• 对融合前后的特征进行了处理，增强特征融合的效果；
• 全程使用了残差结构，保证至少达到简单的特征融合的效果。
  
  其实网络图和UNet很相似，分为三个模块：残差卷积模块（RCU，Residual Convolution Unit）、多分辨率融合模块（Multi-Resolution Fusion）和串联残差池化模块（Chained Residual Pooling）。
  
  RCU：用于特征的前处理，相当于学习主干网络新的东西；
  MRF：进行多分辨率图像的融合；
  CRP：特征融合后非处理，相当于学习处理后的新特征。（池化步长为1，估计是重叠池化）

12. LinkNet: Exploiting Encoder Representations for Efficient Semantic Segmentation

特点：

• 快
• 解码过程中，使用了解码器，而不是UNet的直接相加。编码器主要是ResNet18,解码器使用11卷积修改维度，使用**33卷积提取融合后的特征**。编码解码结构如下：
  

来源：CSDN

作者：三岁与十八

链接：https://blog.csdn.net/qq_27921205/article/details/103140894