Understanding Convolution for Semantic Segmentation

收录：IEEE Winter Conference on Applications of Computer Vision (WACV 2018)

原文地址：HDC

代码:

官方-MXNet

Abstract

本文介绍了两种操控卷积相关运算(convolution-related operations)方法用于提高语义分割效果:

设计密集上采样卷积(dense upsampling convolution,DUC)生成预测结果，这可以捕获在双线性上采样过程中丢失的细节信息。
设计混合空洞卷积框架(hybrid dilated convolution,HDC)，用于减轻扩张卷积产生的”gidding issue”影响，扩大接收野聚合全局信息。

论文在CityScapes上达到了80.1%mIoU,同样在KITTI和VOC12上也达到了state-of-the-art 结果.

Introduction

大部分应用在语义分割任务上的CNN系统可分为三类：

全卷积神经网络。例如FCN. 使用卷积层代替FC层，提高训练和推断效率，并可接收任意大小输入；
使用CRF. 结构预测用于捕获图片内的本地和长距离依赖，用于细化分割结果；
使用空洞卷积。增加中间featue map的分辨率，可在保持相同计算成本的同时提高预测精度。

大部分提高预测准确率的系统可分为两类：

使用更优秀的特征提取模型。即使用VGG16、ResNet等预训练架构。这些更深的模型可对更复杂的信息建模，学习更有区分力的feature并可更好的区分类别。
使用CRF作为后端处理，集成CRF到模型内构成end2end训练，并将额外的信息例如边缘合并到CRF内。

本文以另一个角度来提升性能，考虑到现在大多数模型分为encoding和decoding两部分：

对于decoding：大多数模型在最终预测图的基础上，采用双线性插值上采样直接获得与输入同分辨率的输出，双线性插值没有学习能力并且会丢失细节。本文提出了密集上采样卷积(dense upsampling convolution,DUC)，取代了简单的双线性插值，学习一组上采样滤波器用于放大低分辨率的feature。DUC支持end2end，便于融入FCN网络架构中。
对于encoding：使用扩张卷积可以扩大感受野，减少使用下采样(下采样丢失细节比较严重)。本文指出空洞卷积存在”girdding”问题，即空洞卷积在卷积核两个采样像素之间插入0值，如果扩张率过大，卷积会过于稀疏，捕获信息能力差。本文提出了混合扩展卷积架构(hybrid dilation convolution,HDC): 使用一组扩展率卷积串接一下构成block，可扩大感受野的同时减轻”gridding”弊端。

论文以DUC和HDC为基础卷积操作，构建更适合语义分割任务的深度神经网络系统.

特征表示解码(Decoding of Feature Representation):因为池化操作不可避免的会下采样。现在多种方案针对低分辨率feature解码出准确信息，常见的双线性上采样节省存储空间并且快；解卷积：使用池化的位置信息帮助解码阶段，也有使用堆叠的解卷积层来恢复信息，等等
扩张卷积(Dilated Convolution): 在卷积采样中插入0值，用以扩张采样分辨率。例如DeepLab设计的ASPP聚合多个尺度信息。等等

Approach

Dense Upsampling Convolution

为什么要使用DUC？

考虑到模型输入图片大小 $(H,W,C)$ ,整个模型在预测前的输出feature map大小为 $F_{out}=(h,w,c)$ ，其中 $H/d=h, W/d=w$ ， $d$ 称为下采样因子(downsampling factor)。

双线性插值存在的问题：如果模型的 $d=16$ ，即输入到输出下采样了16倍。如果一个目标物的长或宽长度小于16个pixel，训练label map需要下采样到与模型输出维度相同，即下采样16倍时已经丢失了许多细节, 对应的模型预测结果双线性插值上采样是无法恢复这个信息。

DUC的方案：

针对这一问题，DUC将 $F_{out}$ 的尺寸 $(h,w,c)$ 通道转为到 $(h,w,d^2×L)$ , $L$ 是分割类别数目。再reshape到label map大小 $(H,W,L)$ 。 reshape操作代替了解卷积上采样，可直接对接label map。

这里比较难理解的是reshape操作，开源的代码如下：

   # Base Network
    res = get_resnet_hdc(bn_use_global_stats=bn_use_global_stats)

    # ASPP
    aspp_list = list()
    for i in range(aspp_num):
        pad = ((i + 1) * aspp_stride, (i + 1) * aspp_stride)
        dilate = pad
        conv_aspp=mx.symbol.Convolution(data=res, num_filter=cell_cap * label_num, kernel=(3, 3), pad=pad,
                                        dilate=dilate, name=('fc1_%s_c%d' % (exp, i)), workspace=8192)
        aspp_list.append(conv_aspp)

    # 这是是ASPP模块输出作像素和
    summ = mx.symbol.ElementWiseSum(*aspp_list, name=('fc1_%s' % exp))

    # Reshape操作
    cls_score_reshape = mx.symbol.Reshape(data=summ, shape=(0, label_num, -1), name='cls_score_reshape')

    # Reshape完后直接送到Softmax
    cls = mx.symbol.SoftmaxOutput(data=cls_score_reshape, multi_output=True,
                                  normalization='valid', use_ignore=True, ignore_label=ignore_label, name='seg_loss')
    return cls

可以看到reshape操作传入的是shape= $(0, label\_num, -1)$ MXNet中0代表保持不变，-1表示推断~.
ASPP出来的数据形式为(N,channel,h,w)经过reshape甩成了(N,label_num,-1)，即把每类的分类结果拍成向量形式。

下图是本文一作关于DUC卷积的回答：
mark

下图更好的阐述了DUC思想：

mark

该图来自：Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network

从另一个角度想：DUC将整个label map $(H,W,L)$ 分为为 $d^2$ 个等大小的子图(subparts)，每个子图和大小和 $F_{out}$ 输出的feature map大小相同。也就是说将label map切分为 $(h,w,d^2×L)$ 。

模型的整体结构如下，DUC应用在输出部分：

mark

DUC以原始分辨率像素级解码，并且能够自然的集成到FCN框架中，使得整个编码和解码能以end2end方式训练。

Hybrid Dilated Convolution

对于二维信号，卷积核大小 $k×k$ ，经过扩张卷积的结果为 $k_d×k_d$ ,其中 $k_d=k+(k-1)(r-1)$ .例如：

mark

对于左边： $r=2,k=3$ . $k_d=3+(3-1)(2-1)=5$ ，接收野为 $5×5$
对于右边： $r=3,k=3$ . $k_d=3+(3-1)(3-1)=7$ ，接收野为 $7×7$

扩张卷积可增加features map的分辨率，故可替换FCN架构中的池化层。但是，扩张卷积存在一个理论上的问题，称之为”gridding“：对于扩张卷积的一个像素点p，对其有贡献的是上一层以p为中心的 $k_d×k_d$ 的邻近区域，因为扩张卷积引入0值，在 $k_d×k_d$ 的区域只计算 $k×k$ 个像素点，非0像素点之间间隔为 $r-1$ .

例如 $k=3,r=2$ 的扩张卷积，从 $Conv2-->Conv3$ ，25个像素只有9个像素做了贡献：

mark

可以看到top feature map使用扩张卷积只能以棋盘的形式查看信息，这会丢失大量信息.

当high layer中 $r$ 变的越来越大，这会使得从输入中采样的数据越来越稀疏，不利于卷积学习，因为
- 局部的信息完全丢失
- 信息之间太远不相关
$r×r$ 的区域从完全不同的“网格”集合内接收信息，这会损害本地信息的一致性。

论文提出了HDC用于缓解”gridding”产生的影响：考虑到一个 $N$ 个的size为 $K×K$ 的扩张卷积，对应的扩张率为 $[r_1,…,r_i,..,r_n]$ ，HDC的目标是让最后的接收野全覆盖整个区域（没有任何空洞或丢失边缘），我们定义两个非零点之间最大距离为：

M_{i} = max [M_{i + 1} - 2 r_{i}, M_{i + 1} - 2 (M_{i + 1} - r_{i}), r_{i}]

$M_i=\max[M_{i+1}-2r_i,M_{i+1}-2(M_{i+1}-r_i),r_i]$
其中

M_{n} = r_{n}

$M_n=r_n$ , 设计的目标是让 $M_2≤K$ .

这是公式是怎么来的，我邮件咨询了一作PanQu Wang：
mark

HDC实例：

对于常见的扩张卷积核大小 $K=3$ ，如果 $r=[1,2,5]$ 则
$M_{2} = max [M_{3} - 2 r_{2}, - M_{3} + 2 r_{2}, r_{2}] = max [1, - 1, 2] = 2$ $M_2=\max[M_3-2r_2,-M_3+2r_2,r_2]=\max[1,-1,2]=2$ 此时 $M_2=2≤K=3$ ,满足设计要求.设计的示意图如下：
如果 $r=[1,2,9]$ 则
$M_{2} = max [M_{3} - 2 r_{2}, - M_{3} + 2 r_{2}, r_{2}] = max [5, - 5, 2] = 5$ $M_2=\max[M_3-2r_2,-M_3+2r_2,r_2]=\max[5,-5,2]=5$ 此时 $M_2=5＞K=3$ ,不满足设计要求.

论文给出使用不同扩张率的扩张卷积策略是锯齿波(sawtooth wave-like)变化形式:即取几层为一组，每个组的扩张率从低向高增加，每个组类似，即扩张率变换类似锯齿波。锯齿波能同时满足小物体大物体的分割要求(小rate提取本地信息，大rate提取长距离信息)。

例如：对于r=2的层，将3个层组成一组，对应的扩张率分别为1,2,3。这样顶层可以获取更宽阔的区域信息，这能在保持接收野大小不变的情况下提高信息利用率。

mark

需要注意的是，一个组内的卷积不应该有一个固定的变换因子，即不要用大于1的公约数(例如2,4,8的公约数为2>1)，否则依旧无法减小”girdding”效应。

HDC的另一个好处是可以使用任意的扩张率，很自然的扩大了接收野且不需要添加额外的模块，这对识别大型相关目标很关键。

Experiment

论文一共在三个数据集上做了测试：CityScapes，KITTI dataset for road estimation, PASCAL VOC2012. 以预训练的ResNet101和ResNet152为特征提取层。

CityScapes

CityScapes的数据尺寸固定为 $1024×2048$ ，本文的策略是将图片分成重叠的12个 $800×800$ 的patches，整个训练集大小为 $2975*12=35700$ .这样的数据增强可保证图片的每个区域都被访问到，比随机的cropping要跟细腻。

Baseline-model:

设置项	设置
优化器	使用mini-batch SGD
patch size	$544×544$ (randomly cropped from the 800x800 patch)
batch_size	12
学习率策略	poly，power=0.9,初始的学习率为 $2.5×10^{-4}$ .
权重衰减	$5×10^{-4}$ ,momentum为0.9

DUC

DUC做的事情就是改变原本top layer输出的shape.

例如：Baseline-model的输出为 $68×68×19$ (19是cityscapes的类别)。DUC将输出变化为 $68×68×(d^2×19)$ ， $d$ 是下采样因子，这里 $r=8$ . 再reshape为 $544×544×19$ 即预测的map. DUC只在ResNet的top端引入了新参数，与Baseline相比，提高了2%mIoU，可视化结果如下：

mark

由图可以清晰的看见DUC主要提高了小目标物的识别率，验证了DUC可以恢复双线性插值上采样损失的信息。

Abation Studies：主要做以下方面的实验.

网络的下采样扩张率，用于控制内部的feature map的分辨率
是否使用ASPP模块，以及使用并行路径的数量
是否做数据增强，即将数据切分为12个子patches
一个预测像素投影的邻近区域大小 $(cell,cell)$ .像素级的DUC应该使用 $cell=1$ ，但因为Gound Truth无法达到像素级，在实验中尝试 $cell=2$

mark

降低下采样率会降低准确率。ASPP模块通常有助于改善性能。数据增强有助于提高准确率，使用cell=2有轻微的提升，同时有助于降低计算消耗。

Bigger Patch Size：因为 $cell=2$ 会大幅度减少计算量消耗，故讨论patch size对性能的影响。将patch size提高到 $880×880$ ，将原本的12倍cropping换成7倍的cropping，性能提升了1%；
Compared with Deconvolution：使用上采样效率略低于DUC model；
Conditional Random Fields(CRF)：使用CRF提高了1%的性能。

HDC

以最佳的101 layer的ResNet-DUC为基础，添加HDC，实验探究了几种变体：

无扩张卷积(no dilation)：对于所有包含扩张卷积，设置 $r=1$
扩张卷积(dilation Conv )：对于所有包含扩张卷积，将2个block和为一组，设置第一个block的 $r=2$ ，第二个block的 $r=1$
Dilation-RF：对于 $res4b$ 包含了23个blocks，使用的 $r=2$ ，设置3个block一组， $r=1,2,3$ .对于最后两个block，设置 $r=2$ ；对于 $res5b$ ，包含3个block,使用 $r=4$ ，设置为 $r=3,4,5$ .
Dilation-Bigger：对于 $res4b$ 模块，设置4个block为一组，设置 $r=1,2,5,9$ .最后3个block设置为 $1,2,5$ ；对于 $res5b$ 模块，设置 $r=5,9,17$

mark

可以看到增加接收野大小会获得较高的精度。如下图所示：

mark

ResNet-DUC-HDC在较大的目标物上表现较好。下图是局部放大：

mark

可以看到HDC有效的消除”gridding”产生的影响。

Deeper Networks：同样尝试了将ResNet-101切换为ResNet-152，使用ResNet152先跑了10个epoch学习了BN层参数，再固定BN层，跑了20个epochs.结果如下：

mark

ResNet152为基础层的有1%的提升。

Test Set Results：论文将ResNet101开始的 $7×7$ 卷积拆分为3个 $3×3$ 的卷积，再不带CRF的情况下达到了80.1%mIoU.与其他先进模型相比如下：

mark

模型同时在coarse labels跑了一圈，与同样以deliated convolution为主的DeepLabv2相比，提升了9.7%.

KITTI Road Segmentaiton

KITTI有289的训练图片和290个测试图片。示例如下：

mark

因为数据集有限，为了避免过拟合。论文以100的步长在数据集中裁剪 $320×320$ 的patch. 使用预训练模型，结果如下：

mark

结果达到了state-of-the-art水平.

PASCAL VOC2012 dataset

先用VOC2012训练集和MS-COCO数据集对ResNet-DUC做预训练。再使用VOC2012做fine-tune。使用的图片大小为 $512×512$ 。达到了state-of-the-art水平：

mark

可视化结果如下：
mark

Conclusion

论文提出了简单有效的卷积操作改进语义分割系统。使用DUC恢复上采样丢失的信息，使用HDC在解决”gridding”的影响的同时扩大感受野。实验证明我们的框架对各种语义分割任务的有效性。

语义分割--Understand Convolution for Semantic Segmentation

Understanding Convolution for Semantic Segmentation

Abstract

Introduction

Approach