语义分割--(DFN)Learning a Discriminative Feature Network for Semantic Segmentation

版权声明：如果你觉得写的还可以，可以考虑打赏一下。转载请联系。 https://blog.csdn.net/u011974639/article/details/82217532

Learning a Discriminative Feature Network for Semantic Segmentation

Learning a Discriminative Feature Network for Semantic Segmentation

收录：CVPR2018(IEEE Conference on Computer Vision and Pattern Recognition)

原文地址：DFN

代码:

• 非官方：TensorFlow

---

Introduction

许多现存的语义分割方法虽然获得了先进的表现。但是这些方法存在没有使用discriminative features的情况。故依旧存在两个方向的挑战：

• intra-class inconsistency：类内不一致。这表示一个区域内，有着相同的语义标签，但是预测结果有所不同。(如Fig.1第一行)
• inter-class indistinction：类别之间模型不清晰。这表示两个相邻的区域，有着类似的外表，但是语义标签不同。(如Fig.1第二行)

论文从更宏观的角度来看语义分割。论文认为语义分割是将相同的语义标签分配给一类事物，而不是分配对单个像素分配单个标签。认为一类事物的像素是一个整体，这自然就会有论文开始提及的两个挑战。

针对这两个挑战，论文最终提出了Discriminative Feature Network(DFN)来解决。

DFN

DPN涉及到了两个组件：Smooth Network(SN)和Border Network(BN).

Smooth Network(SN).

SN用于学习更鲁棒性的特征表示，从而用于解决intra-class inconsistency。

这主要涉及两个因素：

扫描二维码关注公众号，回复： 3391602 查看本文章

• 1) 需要多尺度和全局特征用于学习局部和全局的信息。

• 2) 因为多尺度特征的引入，对于同一事物，因为尺度的原因可能会产生错误的预测。故需要学习更具区分力的有效的特征。

受到这两个方向的启发。Smooth Network基于U-shape结构，该结构用于捕获多尺度信息，并带有全局平均池化用于捕获全局信息。并且提出了Channel Attention Block(CAB),使用high-level的特征逐步指导选择low-level的特征。

Border Network(BN)

该sub-network用于解决inter-class indistinction。即用于去区分具有相似外表但不同语义标签的相邻区域。大多数模型语义分割作为密集的识别任务，这通常会忽略物体类别间的明显关系。因此，明确的语义边界去指导特征学习是很有必要的，这可以方法特征两边的变化趋势。

Border Network通过在训练期间集成 semantic boundary loss去学习区分力的特征。说白了，就是用传统的图像方法从ground truth上提取边缘信息，用这些边缘信息做一个旁监督，从而达到细化边界结果的效果。

DFN的整体架构和贡献

整体架构如下：

该结构和GCN，PAN都很相似。

论文的主要贡献在于：

• 论文从宏观的角度再思考语义分割任务，认为语义分割是将同样的语义标签分配到同一物体区域。
• 论文提出了DFN用于同时解决 intra-class inconsistency和inter-class indistinction问题。实验结果证明了新模型的有效性。
• 论文提出了具有全局信息和通道注意力模型的Smooth Network用于提升类内一致性。
• 论文设计的具有深度监督的bottom-up结构的Border Network用于扩张语义边界两边的特征变化。这可以细化预测的边界。

---

---

Architecture

由前面叙述可知，论文针对intra-class inconsistency和inter-class indistinction这两个挑战，提出了Discriminative Feature Network(DFN)来应对，其中DFN包含两个子网络Smooth network和Smooth network和Border network。。

先介绍Smooth network和Border network，然后全盘托出整个DFN的architecture.

Smooth Network

intra-class inconsistency主要是因为缺乏上下文，因此，论文使用全局平均池化来引入全局上下文信息。然而，全局上下文信息只是具备高级的语义信息，这对于恢复空间信息没有多大帮助。因此，我们需要多尺度的感受野帮助恢复空间信息，而许多方法在这里存在另一个问题，不同尺度的感受野产生的特征会有一些不同尺度的区分力，这会造成错误的结果。
为了解决这个问题，我们需要选择更具区分力的特征来产生一致的语义标签。论文引入了注意力机制来解决。

论文的backbone是Resnet，Resnet依据输出特征的大小分成了5个阶段。论文观察到：不同阶段有着不同的特征观察能力，这导致了不同的表征(manifestation)：

• 在低阶段：网络编码更多的空间信息。由于网络的感受野较小并且没有空间上的上下文指导，导致语义特征不佳。
• 在高阶段：因为有着大的感受野，故语义特征不错。但是空间预测就比较模糊了。

总的来讲，就是底阶段偏向空间信息，高阶段偏向语义信息。那么Smooth Network意在使用高阶段的信息来指导底阶段，从而产生更优的预测。

而现存的语义分割架构主要有两个风格：

• backbone-style：代表的有PSPNet和DeepLabv3，这样的结构通过PSP module和ASPP 来集成多尺度信息。
• Encoder-Decoder style: 代表有RefineNet和GCN，这种结构利用不同阶段固定的多尺度上下文，但是这缺乏上下文信息。

此外，许多网络结构结合不同阶段的特征是仅仅是通过通道加完成的，这样的操作忽略了不同阶段之间的差异性。为了解决这个问题，Smooth Network 先是在U-shape结构上嵌入全局池化操作，以产生了V-shape结构(多了个全局池化)。同时，提出了通道注意力模块(Channel Attention Block)，这用于结合相邻阶段的特征。高级特征提供语义来指导选择低级特征，从而达到选择更具区分力的特征。

Channel attention block

通道注意力模块结构如图所示：

其工作原理如下：

在FCN架构上，卷积操作输出的是score map,这给出每个像素的每个类别的概率值，最终的分数是在最后的特征图上相加得到的，公式如下：

$$y_{k}=F(x;w)=\sum_{i=1,j=1}^{D}w_{i,j}x_{i,j}$$
其中 $x$就是网络输出的特征图， $w$表示卷积操作。 $k∈\{1,2,..K\}$, $K$表示通道数。D表示所有像素位置的集合。

$$\sigma_{i}(y_k)=\frac{\exp(y_k)}{\sum_{j=1}^{K}\exp(y_j)}$$
其中 $\sigma$表示预测的概率值， $y$表示网络的输出。

由上述两个公式可以看出，最终的预测标签是有着最高概率值的。我们假设对某一区域的预测标签为$y_0$，而真正的标签为$y_1$。论文引入了参数$\alpha$用于改变最高的概率值从$y_0$到$y_1$，如下面公式所示：

$$\bar{y}=\alpha y = \begin{bmatrix} \alpha_{1}\\ ...\\ \alpha_{K} \end{bmatrix} \cdot \begin{bmatrix} y_{1}\\ ...\\ y_{K} \end{bmatrix} = \begin{bmatrix} \alpha_{1}w_{1}\\ ...\\ \alpha_{K}w_{K} \end{bmatrix} \times \begin{bmatrix} x_{1}\\ ...\\ x_{K} \end{bmatrix}$$

其中$\bar{y}$表示新的预测值，而$\alpha=Sigmod(x;w)$。

基于上述的公式描述，第一个公式隐式的表示每个通道的权重是一样的。而前面有讲到过，不同阶段的特征具有不同特性，这导致了预测的不一致性，为了获得更加的预测，我们需要选择具有区分力的特征。而通过第三个公式可以通过通道注意力模块对通道加权，用于选择特征。

Refinement residual block

网络的每个阶段的特征都会经过Refinement residual block,如下图所示：

开始是一个恒定的512通道$1×1$卷积，这可以结合所有通道的信息，达到细化特征图的效果。

Experiment

论文以ResNet101为backbone，使用FCN4为主框架。SGD优化器，batch=32，采用”poly”学习率策略。

可以看到RRB和CAB，GP的性能提升都是很明显的。

部分可视化结果：

Border Network

在语义分割任务上，尤其是在相邻的区域上有相似外表的物体，预测常会产生混淆。因此，我们需要增强特征之间的区别。受到这样的启发，为了更为精准的提取语义边界，论文采用语义边界监督，让网络学习具有类间区分能力的特征。

论文设计了Bottom-up结构的Boader Network,该网络能够同时从low stage上获得精准的边缘信息，也可以从high stage上获得语义信息，这弥补了一些原始边界缺乏的语义信息。这样，是的high stage的语义信息可以refine low stage的边缘信息。这样的监督信息是来源于在语义分割ground truth上使用传统的图像处理方法，例如Canny边缘等.

为了处理正负样本不均衡，论文使用了focal loss来监督Border network，调整$\alpha$和$\gamma$参数获得更佳的性能：

$$FL(p_k)=-(1-p_k)^{\gamma}\log(p_k)$$
其中 $p_k$ 是对每个类别 $k$的概率估测值。

Experiment

在PASCAL上的实验：

增加BN的性能提升较小~

部分边界可视化结果：

（PS:看Experiment部分，这个Boader Network的提升性能很小，感觉不是那么好使）

Network Architecture

基于Smooth Network和Border Network，论文提出了DFN：

使用了预训练的ResNet作为网络主干。

• 在Smooth NetWork：顶端使用了一个全局池化层捕获全局信息。使用channel attention block来改变权重。 除了最终的全局池化，其他所有stage都使用softmax loss来做深度监督学习。
• 在Border Network上，使用语义边界监督，网络获得更为精准的边界，得到的mask也更具区分度。使用focal loss来监督学习。

使用参数$\lambda$来平衡分割loss的$l_s$和边界loss的$l_b$.

$$l_s=SoftmaxLoss(y;w)$$ $$l_b=FocalLoss(y;w)$$ $$L=l_s+\lambda l_b$$

Experiment

经过试验，论文最终使用的$\lambda=0.1$，为了提升性能，使用多尺度输入，共5个尺度${0.5,0.75,1,1.5,1.75}$.

随机的放缩：

有着较大的性能提升。

不一样的$\lambda$带来的性能影响：

无论是Smooth Network还是Border Network都是采取了逐stage的策略。下面是该策略的可视化结果:

PASCAL and Cityscape

---

---

Conclusion

论文从更为宏观的角度审视语义分割任务，认为现存的语义分割任务存在两个挑战：intra-class inconsistency和inter-class indistinction。针对这两个挑战，论文分别提出了Smooth Network还是Border Network。在次基础上，提出了完整的结构DFN，实验结果证明了新模型的有效性。

---