图像分割中常用的上采样方法，你知道哪几种？

在基于深度学习的图像分割领域，基于Encoder-Decoder框架是一种非常经典的模型设计。在这种框架下，模型可以看作由两部分组成：编码器模块Encoder和解码器模块Decoder. 编码器模块负责提取特征，采用卷积和池化操作逐步缩小特征图并捕获更高级的语义信息；解码器模块基于上采样操作逐步恢复空间信息。

下图是SegNet论文中体现Encoder-Decoder框架的示意图。

上文提到，解码器模块基于上采样来不断恢复空间信息。本节内容即关注上采样这一操作，介绍在不同的语义分割网络中常用的上采样方法。

一、Bilinear interpolation 双线性插值

1.1 线性插值

线性插值是一种较为简单的插值方法，其插值函数为一次多项式。线性插值，在各插值节点上插值的误差为0。

已知数据$(x_1,y_1)$和$(x_2,y_2)$, 计算在$[x_1,x_2]$区间内某一位置$x$在直线上的$y$值。

已知：
$$\frac{y-y_1}{y_2-y_1}=\frac{x-x_1}{x_2-x_1}$$
计算公式如下：
$$y=\frac{x_2-x}{x_2-x_1}\ast y_1+\frac{x-x_1}{x_2-x_1}\ast y_2$$

1.2 双线性插值

双线性插值，又称为双线性内插。在数学上，双线性插值是有两个变量的插值函数的线性插值扩展，其核心思想是在两个方向分别进行一次线性插值。

设有一个表达式未知的函数$f(x,y)$，

已知四个点$(x_1,y_1)$、$(x_1,y_2)$、$(x_2,y_1)$、$(x_2,y_2)$在$f(x,y)$的值，

求在点$(x,y)$位置上$f(x,y)$的值。

扫描二维码关注公众号，回复： 12718243 查看本文章

第一阶段，我们先在$x$方向上进行两次线性插值，分别在点$(x_1,y_1)$和$(x_2,y_1)$之间插入点$(x,y_1)$，和在点$(x_1,y_2)$和$(x_2,y_2)$之间插入点$(x,y_2)$。
$$f(x,y_1)\approx \frac{x_2-x}{x_2-x_1}\ast f(x_1,y_1)+\frac{x-x_1}{x_2-x_1}\ast f(x_2,y_1)$$

$$f(x,y_2)\approx \frac{x_2-x}{x_2-x_1}\ast f(x_1,y_2)+\frac{x-x_1}{x_2-x_1}\ast f(x_2,y_2)$$
第二阶段，我们在$y$方向上进行一次线性插值，即在点$(x,y_1)$和$(x,y_2)$之间插入点$(x,y)$。
$$f(x,y)\approx \frac{y_2-y}{y_2-y_1}\ast f(x,y_1)+\frac{y-y_1}{y_2-y_1}\ast f(x,y_2)$$
以上就是双线性插值二个阶段的执行过程。值得注意的是：双线性插值的最终结果与执行线性插值的顺序无关，即先在$y$方向插值，然后在$x$方向插值也会得到相同的结果。

1.3 基于PyTorch 和 OpenCV的Bilinear实现

一、引入必要的库

import torch
import numpy as np
import cv2
from PIL import Image
import torch.nn.functional as F

二、设置输入图像

# 设置输入数据，形式为[N × C × H × W]
image = np.array(range(1, 5)).reshape(1, 1, 2, 2)
print(image)

[[[[1 2]
   [3 4]]]]

三、基于PyTorch 实现Bilinear

pytorch_aligned_output = F.interpolate(torch.Tensor(image), scale_factor=2, mode='bilinear', align_corners=True)
print(pytorch_aligned_output)

tensor([[[[1.0000, 1.3333, 1.6667, 2.0000],
          [1.6667, 2.0000, 2.3333, 2.6667],
          [2.3333, 2.6667, 3.0000, 3.3333],
          [3.0000, 3.3333, 3.6667, 4.0000]]]])

pytorch_aligned_output = F.interpolate(torch.Tensor(image), scale_factor=2, mode='bilinear', align_corners=False)
print(pytorch_aligned_output)

tensor([[[[1.0000, 1.2500, 1.7500, 2.0000],
          [1.5000, 1.7500, 2.2500, 2.5000],
          [2.5000, 2.7500, 3.2500, 3.5000],
          [3.0000, 3.2500, 3.7500, 4.0000]]]])

注意： 关于实现方法中属性align_corners，

• 当align_corners=True时，像素被视为点的网格。角点对齐。
• 当align_corners=False时，像素被视为1x1区域。区域边界（而不是其中心）是对齐的。

四、基于OpenCV 实现Bilinear

cv2_output = cv2.resize(image[0, 0].astype(np.float32), (4, 4), interpolation=cv2.INTER_LINEAR)
print(cv2_output)

[[1.   1.25 1.75 2.  ]
 [1.5  1.75 2.25 2.5 ]
 [2.5  2.75 3.25 3.5 ]
 [3.   3.25 3.75 4.  ]]

我们看到这个结果和PyTorch实现中align_corners=False一致。可见OpenCV中实现Bilinear是直接按照align_corners=False处理的。

1.4 特点分析

不需要学习，运算速度快。

二、Un-pooling 反池化

2.1 原理描述

池化操作是通过在输入特征图上从上到下、从左到右地滑动窗口，并对每个窗口里的内容执行一个池化函数（最大值、均值）来完成整个池化过程。下图是对一个$5\ast 5$的输入特征图采用$3\ast 3$的池化核进行池化，得到$3\ast 3$的输出特征图的过程。

那么反池化的思路就是基于$3\ast 3$的输出特征图，直接按照池化操作的位置还原回去。这里需要注意的是，我们需要在池化过程中记录每个窗口里最大值的位置，以上图为例，即最大值的索引位置为$[0,1,8,10,8,8,10,12,14]$, 那么我们就可以基于输出特征图和索引位置，还原出输入特征图。

2.2 PyTorch 实现max_unpool2d

注：使用的库和本文第一节的引入库相同

一、设置输入图像

# 设置输入数据为二维数据，形式为[N × C × H × W]
image = np.array([
    [3,3,2,1,0],
    [0,0,1,3,1],
    [3,1,2,2,3],
    [2,0,0,2,2],
    [2,0,0,0,1]
])
image = image.reshape((1,1,5,5))
print(image)

[[[[3 3 2 1 0]
   [0 0 1 3 1]
   [3 1 2 2 3]
   [2 0 0 2 2]
   [2 0 0 0 1]]]]

二、最大池化，同时记录索引

res,indices = F.max_pool2d(torch.Tensor(image), kernel_size=3, stride=1, return_indices=True)
print(res)
print(indices)

tensor([[[[3., 3., 3.],
          [3., 3., 3.],
          [3., 2., 3.]]]])
tensor([[[[ 0,  1,  8],
          [10,  8,  8],
          [10, 12, 14]]]])

三、反池化

unpool_res = F.max_unpool2d(res, indices, kernel_size=3, stride=1)
print(unpool_res)

tensor([[[[3., 3., 0., 0., 0.],
          [0., 0., 0., 3., 0.],
          [3., 0., 2., 0., 3.],
          [0., 0., 0., 0., 0.],
          [0., 0., 0., 0., 0.]]]])

2.3 特点分析

1. 同样不需要学习
2. 目前应用的很少，据了解仅在SegNet网络上使用。可在文末参考文献查看SegNet源码实现

三、Transposed convolution 转置卷积

3.1 原理描述

理解转置卷积之前，我们先看看卷积的实现过程。

在框架进行卷积操作实现中，为了更快的执行速度，卷积运算可以转换为矩阵运算进行处理。

具体过程为：将$4\ast 4$的输入矩阵$A$展平为一个16维度的向量，通过矩阵运算$CA=B$，输出一个4维的向量$B$，最后将$B$再重塑为$2\ast 2$的矩阵。下图是卷积核$C$的稀疏矩阵表示。

转置卷积正是相反的操作，将一个4维度的向量作为输入，卷积核的形式是大小为$16\ast 4$的$C^T$，可以输出一个16维的向量。

除了上面介绍的方式，转置卷积操作也可以使用直接卷积来实现。

已知卷积过程：对于一个大小为$i=4\ast 4$的输入，可以使用卷积核$k=3\ast 3，stride=1,padding=0$, 通过公式$o=(i-k+2\ast p)/s+1$,可以得到输出大小为$2\ast 2$。

对于转置卷积过程：一个大小为$i^{’}=2\ast 2$的输入，可以使用卷积核$k^{{}^{\prime }}=k=3\ast 3,paddin{g}^{{}^{\prime }}=k-padding-1=2,strid{e}^{{}^{\prime }}=1$, 同样根据公式可以得到输出大小为$4\ast 4$。

上述例子里$stride=1$, 对于$stride>1$的情况，举例如下：

对于一个大小为$i=5\ast 5$的输入，可以使用卷积核$k=3\ast 3，stride=2,padding=1$, 通过公式$o=(i-k+2\ast p)/s+1$,可以得到输出大小为$3\ast 3$。

对于转置卷积过程：一个大小为$i^{’}=3\ast 3$的输入，首先进行内部扩展得到$i^{"}=i^{’}+(i^{’}-1)\ast (stride-1)=stride(i^{’}-1)+1=5$。可以使用卷积核$k^{{}^{\prime }}=k=3\ast 3,paddin{g}^{{}^{\prime }}=k-padding-1=1,strid{e}^{{}^{\prime }}=1$, 同样根据公式可以得到输出大小为$5\ast 5$。

3.2 特点分析

1. 需要学习
2. 在图像分割中应用很广泛

写在最后的话

欢迎关注我的个人公众号，定期原创技术分享。公众号后台回复“图像分割”，获取本文涉及到的经典论文。

愿与各位一起进步！

参考文献

1. https://discuss.pytorch.org/t/what-we-should-use-align-corners-false/22663/9
2. https://zhuanlan.zhihu.com/p/87572724
3. https://github.com/delta-onera/segnet_pytorch/blob/master/segnet.py#L108
4. https://blog.csdn.net/tsyccnh/article/details/87357447
5. https://distill.pub/2016/deconv-checkerboard/
6. https://www.cnblogs.com/yssongest/p/5303151.html
7. https://zhuanlan.zhihu.com/p/81947612
8. https://zhuanlan.zhihu.com/p/59044838