语义分割--Dilated Residual Networks

DRN：Dilated Residual Networks

收录：CVPR2017(IEEE Conference on Computer Vision and Pattern Recognition)

原文地址：Dilated Residual Networks

本文配合前面的论文-Understand convolution for Semantic Segmentation有奇效~

代码:

• 官方-Pytorch

---

Abstract

扩张卷积可以增加神经元的接收野，若用于替换卷积网络中的下采样层，即维持了feature map的空间分辨率，又可以保持后续神经元接收野的分辨率。论文据此提出了dilated residual networks(DRN)，实验表明DRN在图像分类等任务上优于不加扩张卷积的网络。此外，使用空洞卷积会产生”gridding”问题，论文提出了一些解决方案。

---

Introduction

卷积神经网络使用池化和下采样获取更抽象的特征，但这伴随着是feature map空间分辨率的下降，这会丢失很多敏感细节，不利于涉及密集预测的图像场景解析任务。论文认为池化和下采样不是必须的(PS:很多大师都觉得池化这个操作很蠢，但是离不开~)，在残差网络的结构上，使用扩张卷积替换模型内部的下采样层来提高输出的准确率。

在ImageNet上DRN的输出分辨率为$28×28$(原Resnet输出$7×7$，空间分辨率提高了4倍，替换了2个下采样)，论文指出在此基础上使用平均池化效果不错。使用扩张卷积会带来”gridding”问题，论文提出了一种用于消除影响的解决方案，这进一步提高了DRN的准确率。同时验证了DRN在其他任务：例如语义分割任务上表现也很不错。

---

Approach

Dilated Residual NetWorks

在卷积神经网络中使用下采样会降低feature的空间分辨率，这会丢失许多细节，从而影响模型对小型目标乃至目标之间关系的识别。

论文以Resnet为基础，提出了一个改进方法，在resnet的top layers移除下采样层，这可以保持feature map的空间分辨率，但后续的卷积层接收野分辨率下降了，这不利于模型聚合上下文信息。针对这一问题，论文使用扩张卷积替换下采样，在后续层合理使用扩张卷积，在保持feature map的空间分辨率同时维持后续层接收野的分辨率。

具体来说，对于Resnet可分为5组卷积，DRN改进了后两组卷积(记为$G^4$和$G^5$)，这两组卷积开始的卷积层都是下采样，DRN做了以下改进：

• 去除了开始的下采样，这保持了feature的分辨率，注意到无论是$G^4$和$G^5$的第一层卷积接收野是不受影响的，但是$G^4$的后续层接收野下降了2倍，$G^5$的后续层接收野下降了4倍
• 对$G^4$的后续层使用2倍扩张率的扩张卷积，$G^5$的后续层使用4倍扩张率的扩张卷积
• 后续就是接平均池化，预测输出了

DRN和Resnet的对比如下：

注意到原Resnet在$G^4$和$G^5$上都有下采样，由输入的$224×224$最终输出$7×7$，下采样因子为32。使用DRN替换了两个下采样，最终输出为$28×28$,下采样因子为8。相比增加了16倍的值，空间信息量增大许多。

至于为什么不全替换了下采样层，是因为在全分辨率下不使用下采样，内存消耗超出当前硬件的能力。

Degridding

扩张卷积产生的”gridding”问题，在Understand Convolution for Semantic Segmentation 中详细解释过。

大致可以总结当使用的扩张率增加，采样点之间相隔较远，局部信息丢失，产生的预测图出现网格效应。例如下图(c)所示：

可以看到图(c)预测图有棋盘状。

论文针对这一问题提出了一些解决办法。示意图如下：

(a): 移除最大池化层

如图5 (a) DRN-A-18所示。 继承了原始Resnet在初始的$7×7$卷积后接的最大池化操作，论文发现该池化层有高频高幅的激活，如图6 (b)所示，这样的高频传播到网络后面，会加剧gridding影响。

故图5 (b)使用卷积滤波器代替最大池化，图6 (c)显示了转换后的效果。

(b): 添加图层

如图5 (b) DRN-B-26所示。考虑到扩张卷积产生的”gridding”影响，论文在网络的后端增加两个扩张卷积block，即level7-8，注意到这两个block的扩张率较小。作用类似于使用不同频率的去抗混叠(个人理解~)

(c): 移除残差连接

在图5 (b) DRN-B-26中，在网络的后端增加了两个扩张率的卷积block，作用类似于抗混叠，但是因为增加的模块存在残差连接(残值就能直通，移除了就没办法不通过卷积了)，为了完全了实现扛混叠，论文移除了残差连接，图5 (c) DRN-C-26所示。这样的结构虽然在深度和容量上超出了开始的DRN-A，但后续的实验证明这样结构对精度有显著的提升，与更深的DRN-A-34有类似的精度，比DRN-A-50在语义分割任务上有更好的精度。

DRN-C的特征激活图如图7所示：

---

Experiment

Image Classification

项目	配置
训练数据	ImageNet2012
优化器是SGD	momentum 0.9 and weight decay $10^{-4}$
学习率	初始是$10^{-1}$，每30epochs下降10倍，一共跑了120epochs.
测试集	ImageNet验证集

论文针对数据裁剪方式设计了两种评估手段：1-crop和10-crop：

• 1-crop:使用图片中间的$224×224$区域
• 10-crop:使用图片中间、四个角和翻转后的，共10中crop，预测结果取平均

多个实验的对比结果如下：

• ResNet vs. DRN-A：
  DRN-A相比于对应的ResNet有性能上都有提升。DRN-A-50相比于更深的ResNet-101在精度上只有微弱的差距。

• DRN-A vs. DRN-C： 可以看到每个的DRN-C与对应的DRN-A有显著的提升，虽然在模型的宽度和容量上有所增加，但精度的提升很大，以至于变换后的DRN与更深层模型都有相似的精度。

Object Localization

在ImageNet2012验证集上，评估模型的弱监督目标定位能力，如果预测结果和Ground Truth的IoU超过0.5，则认为预测准确，实验结果如下：

每组DRN比对应的ResNet效果要好，这进一步验证了DRN结构的有效性。同时DRN-C-26性能要明显优于DRN-A，这验证了对”gridding”提出的解决方案的有效性。

Semantic Segmentation

语义分割任务涉及到对像素的密集预测，这对输出feature的分辨率要求较高。而DRN相比于Resnet在分辨率上保持较好，对于上卷积或者后续的增加分辨率的操作需求较少，易于迁移到语义分割应用上。

在CityScapes dataset上，数据增强只使用了随机翻转和裁剪，实验结果如下：

所有的展示结果都超过了ResNet101的66.6%mIoU。同样DRN-C-26和DRN-C-42都比DRN-A-50要好，这验证了弥补”gridding”影响的方案在密集预测任务上特别有效。

DRN-A-50和DRN-C-26的可视化对比如下：

DRN-A-50受”gridding”的影响较多，相比之下DRN-C-26不仅准确率更好，也更清晰。

---

Conclusion

论文提出了一种设计卷积网络架构方案，使用扩张卷积替换模型中的下采样，保持feature map的空间分辨率同时不降低后续卷积层的接收野的分辨率，实验证明这样简单转换是有效的。

因为扩张卷积产生的”gridding”影响，论文提出了一些修改模型结构方案减少”gridding”效应，这进一步提高了模型的精度。DRN更适配密集预测任务，可用作复杂的自然图像分析任务起点。

---