第十三章：Large Kernel Matters——大核心很重要，通过全局卷积网络改进语义分割

&原文信息

原文题目：《Large Kernel Matters —— Improve Semantic Segmentation by Global Convolutional Network》

原文引用：Peng C, Zhang X, Yu G, et al. Large kernel matters--improve semantic segmentation by global convolutional network[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2017: 4353-4361.

原文链接：https://openaccess.thecvf.com/content_cvpr_2017/papers/Peng_Large_Kernel_Matters_CVPR_2017_paper.pdfhttps://openaccess.thecvf.com/content_cvpr_2017/papers/Peng_Large_Kernel_Matters_CVPR_2017_paper.pdf

0.摘要

        最近的网络架构设计趋势之一[30,31,14]是在整个网络中使用堆叠的小滤波器（例如1x1或3x3），因为在相同的计算复杂度下，堆叠的小滤波器比一个大核心更高效。然而，在语义分割领域，我们需要进行密集的像素级预测，我们发现大核心（和有效感受野）在同时执行分类和定位任务时起着重要作用。根据我们的设计原则，我们提出了一个全局卷积网络来解决语义分割中的分类和定位问题。我们还提出了一种基于残差的边界细化方法，以进一步改进物体边界的精度。我们的方法在两个公共基准数据集上实现了最先进的性能，并且在PASCAL VOC 2012数据集上的准确率为82.2%（相比之下，之前的结果为80.2%），在Cityscapes数据集上的准确率为76.9%（相比之下，之前的结果为71.8%）。

1.引言

        语义分割可以被视为像素级别的分类问题。在这个任务中存在两个挑战：

        1）分类：与特定语义概念相关联的对象应该被正确标记；

        2）定位：像素的分类标签必须与输出得分图中的适当坐标对齐。

        一个设计良好的分割模型应该同时处理这两个问题。然而，这两个任务在本质上是相互矛盾的。对于分类任务，模型需要对于平移和旋转等各种变换具有不变性。

        但是对于定位任务，模型应该是具有变换敏感性的，即能够准确地定位每个语义类别的每个像素。传统的语义分割算法主要针对定位问题，如图1 B所示。但这可能会降低分类性能。

        在本文中，我们提出了一种改进的网络架构，称为全局卷积网络（GCN），以同时应对上述两个挑战。我们遵循两个设计原则：

        1）从定位的角度来看，模型结构应该是完全卷积的，以保留定位性能，并且不应使用全连接或全局池化层，因为这些层会丢弃定位信息；

        2）从分类的角度来看，网络架构应采用大的核心大小，以实现特征图和像素分类器之间的密集连接，增强处理不同转换的能力。

        这两个原则导致了我们的GCN，如图2A所示。我们采用了类似于FCN [25]的结构作为基本框架，而我们的GCN用于生成语义得分图。为了使全局卷积实际可行，我们采用了对称的分离式大滤波器，以减少模型参数和计算成本。为了进一步提高物体边界附近的定位能力，我们引入了边界细化块，将边界对齐建模为一个残差结构，如图2C所示。与类似CRF的后处理方法不同，我们的边界细化块被整合到网络中，并进行端到端的训练。

        我们的贡献总结如下：

        1）我们提出了全局卷积网络（GCN）用于语义分割，同时明确解决了“分类”和“定位”问题；

        2）引入了边界细化块，可以进一步提高物体边界附近的定位性能；

        3）我们在两个标准基准测试中取得了最先进的结果，PASCAL VOC 2012达到了82.2%，Cityscapes达到了76.9%。

 图1.A：分类网络；B：传统的分割网络，主要设计用于定位；C：我们的全局卷积网络。

2.相关工作

        在本节中，我们快速回顾一下关于语义分割的文献。最流行的基于CNN的工作之一是全卷积网络（FCN）[25]。通过将全连接层转换为卷积层并连接中间得分图，FCN在语义分割上超过了许多传统方法。在FCN的结构基础上，有几个工作试图从以下三个方面改进语义分割任务。

上下文嵌入：在语义分割中，上下文嵌入是一个热门的话题。Zoom-out [26]是最早的一种方法，它提出了一种手工制作的分层上下文特征，而ParseNet [23]则增加了一个全局池化分支来提取上下文信息。Dilated-Net [36]在得分图之后添加了几层来嵌入多尺度上下文，而Deeplab V2 [7]则使用了Atrous Spatial Pyramid Pooling，这是一种卷积的组合，直接从特征图中嵌入上下文。

分辨率扩大是语义分割中的另一个研究方向。最初，FCN [25]提出了反卷积（即卷积的逆操作）来增加小得分图的分辨率。进一步，Deconv Net [27]和SegNet [3]引入了反池化操作（即池化的逆操作）和类似玻璃的网络来学习上采样过程。最近，LRR [12]认为上采样特征图比得分图更好。而不是学习上采样过程，Deeplab [24]和Dilated-Net [36]提出了一种特殊的扩张卷积，直接增加小特征图的空间大小，从而产生一个更大的得分图。

边界对齐尝试在物体边界附近改进预测。在众多方法中，条件随机场（CRF）通常被用于此处，因为它具有良好的数学形式。Deeplab [6]直接使用了denseCRF [18]作为CNN之后的后处理方法，denseCRF是建立在全连接图上的CRF变种。然后，CRFAsRNN [37]将denseCRF模型化为RNN风格的运算符，并提出了一个端到端的流水线，但它在Permutohedral Lattice [1]上涉及了太多的CPU计算。DPN [24]对denseCRF进行了不同的近似，并将整个流水线完全放在GPU上。此外，Adelaide [21]深度融合了CRF和CNN，其中手工制作的潜力被卷积和非线性替代。此外，还有一些CRF的替代方法。[4]提出了一个类似于CRF的模型，称为双边求解器，但速度提高了10倍，性能相当。[16]在CNN中引入了双边滤波器，用于学习特定的成对潜力。与以往的工作相反，我们认为语义分割是在大型特征图上的分类任务，而我们的全局卷积网络可以同时满足分类和定位的需求。

3.方法

        在本节中，我们首先提出了一种新颖的全局卷积网络（GCN），来解决语义分割中的分类和定位两个矛盾的方面。然后，利用GCN，我们设计了一个用于语义分割任务的全卷积框架。

3.1.全局卷积网络

        语义分割任务，或者像素级分类任务，需要输出一个得分图，为输入图像中的每个像素分配语义标签。正如在引言部分提到的，这个任务涉及两个挑战：分类和定位。然而，我们发现分类和定位问题的要求自然上是相互矛盾的：

        （1）对于分类任务，模型需要对输入的变换具有不变性 - 对象可能被移动、旋转或者缩放，但分类结果应该保持不变。

        （2）而对于定位任务，模型应该对变换敏感，因为定位结果取决于输入的位置。

        在深度学习中，分类和定位之间的差异导致了不同风格的模型。对于分类任务，大多数现代框架（如AlexNet [20]、VGG Net [30]、GoogleNet [31,32]或ResNet [14]）采用图1A中显示的“圆锥形”网络：特征是从一个相对较小的隐藏层中提取出来的，这在空间维度上是粗糙的，分类器通过全连接层 [20,30]或全局池化层 [31,32,14]与整个特征图密集连接，这使得特征对局部干扰具有鲁棒性，并且使分类器能够处理不同类型的输入变换。相反，对于定位任务，我们需要相对较大的特征图来编码更多的空间信息。这就是为什么大多数语义分割框架，如FCN [25,29]、DeepLab [6,7]、Deconv-Net [27]采用图1B中显示的“桶形”网络。使用反卷积 [25]、反池化 [27,3]和扩张卷积 [6,36]等技术来生成高分辨率的特征图，然后将分类器局部连接到特征图上的每个空间位置，生成逐像素的语义标签。​​​​​​​

        我们注意到当前最先进的语义分割模型[25,6,27]主要遵循定位的设计原则，然而这对于分类可能不是最佳选择。由于分类器与特征图局部连接而不是全局连接，它很难处理输入上的不同变换。例如，考虑图3中的情况：分类器与输入对象的中心对齐，因此它应该为对象给出语义标签。起初，有效感受野(VRF)足够大，可以容纳整个对象。然而，如果输入对象被缩放到较大的尺度，那么VRF只能覆盖对象的一部分，这对分类可能是有害的。如果使用更大的特征图，情况就会变得更糟，因为分类和定位之间的差距会变得更大。

        基于上述观察，我们尝试设计一种新的架构来克服这些缺点。首先从定位的角度来看，结构必须是完全卷积的，不使用任何全连接层或全局池化层，这些层在许多分类网络中使用，因为后者会丢弃定位信息。其次，从分类的角度来看，受到分类模型密集连接结构的启发，卷积结构的核大小应尽可能大。特别是，如果核大小增加到特征图的空间大小（称为全局卷积），网络将与纯分类模型共享相同的优势。基于这两个原则，我们提出了一种新颖的全局卷积网络（GCN），如图2 B所示。我们的GCN模块采用了1×k + k×1和k×1 + 1×k的组合卷积，而不是直接使用更大的卷积核或全局卷积，这使得特征图中的一个大的k×k区域内可以实现密集连接。与[32]中使用的可分离卷积核不同，我们在卷积层之后没有使用任何非线性。与简单的k×k卷积相比，我们的GCN结构只涉及O(k2)的计算成本和参数个数，对于大的卷积核大小更加实用。

 图2.（A）整个流程的概述。全局卷积网络（GCN）和边界细化（BR）块的细节分别在（B）和（C）中说明。

3.2.总体框架

        我们的整体分割模型如图2所示。我们使用预训练的ResNet [14]作为特征网络，并使用FCN4 [25,35]作为分割框架。从特征网络的不同阶段提取多尺度特征图。全局卷积网络结构用于为每个类别生成多尺度语义分数图。与[25,35]类似，低分辨率的分数图将使用反卷积层进行上采样，然后与更高分辨率的分数图相加生成新的分数图。在最后一次上采样之后生成最终的语义分数图，用于输出预测结果。此外，我们在图2 C中提出了一个边界细化（BR）块。在这里，我们将边界对齐建模为一个残差结构。具体来说，我们定义S为精细化的分数图：S=S + R(S)，其中S是粗糙的分数图，R(·)是残差分支。详细信息可参见图2。

 图3. [38]介绍的有效感受野（VRF）的可视化。图像上的区域显示了位于鸟中心的分数图的VRF。对于传统的分割模型，即使感受野与输入图像一样大，但VRF只覆盖了鸟（A），

如果输入被调整为更大的尺度，它无法容纳整个对象（B）。

相比之下，我们的全局卷积网络显著扩大了VRF（C）。

4.实验

        我们在标准基准测试数据集PASCAL VOC 2012 [11,10]和Cityscapes [8]上评估了我们的方法。PASCAL VOC 2012包括1464张训练图像，1449张验证图像和1456张测试图像，涵盖了20个对象类别和一个背景类别。我们还使用了语义边界数据集[13]作为辅助数据集，总共有10,582张训练图像。我们选择了最先进的网络模型ResNet 152 [14]（在ImageNet [28]上进行了预训练）作为我们的基础模型进行微调。在训练过程中，我们使用标准的随机梯度下降（SGD）[20]，批量大小为1，动量为0.99，权重衰减为0.0005。训练中还应用了均值减法和水平翻转等数据增强技术。性能使用标准的交并比（IoU）进行衡量。所有实验均使用Caffe [17]工具运行。在接下来的小节中，首先我们将进行一系列的消融实验，评估我们方法的有效性。然后我们将报告在PASCAL VOC 2012和Cityscapes上的完整结果。

4.1.消融实验

        在本小节中，我们将进行苹果到苹果的比较，以评估第3节中提出的方法。如上所述，我们使用PASCAL VOC 2012验证集进行评估。对于所有后续的实验，我们将每个输入图像填充为512×512，以便最顶层的特征图为16×16。

图4.（A）全局卷积网络。（B）1×1卷积基线。（C）k×k卷积。（D）3×3卷积堆叠。

4.1.1.全局卷积网络——大核心很重要

        在第3.1节中，我们提出了全局卷积网络（GCN），以实现分类器和特征之间的密集连接。GCN的关键思想是使用大的卷积核，其大小由参数k控制（参见图2 B）。为了验证这个想法，我们枚举不同的k值，并分别测试其性能。整体网络架构如图2 A所示，只是没有应用边界细化块。为了更好地进行比较，我们添加了一个简单的基准模型，用简单的1×1卷积替代了GCN（如图4 B所示）。结果如表1所示。

        我们尝试了不同的卷积核尺寸，范围从3到15。注意，我们只使用奇数尺寸，以避免对齐错误。当k=15时，大致等于特征图大小（16×16），结构变得“真正的全局卷积”。从结果中我们可以发现，性能随着卷积核尺寸k的增加而持续提高。特别是，“全局卷积”版本（k=15）的性能明显超过最小尺寸的版本5:5%。结果表明，在我们的GCN结构中，大尺寸的卷积核带来了巨大的好处，这与我们在第3.1节中的分析一致。

进一步讨论：在表1的实验中，由于基线和不同版本的GCN之间存在其他差异，将改进归因于大尺寸卷积核或GCN似乎不太确定。例如，有人可能会认为更大的k带来的额外参数导致了性能提升。或者有人可能认为可以使用另一种简单的结构而不是GCN来实现等效的大尺寸卷积核。因此，我们将提供更多证据来更好地理解这一点。

        （1）更多的参数是否有帮助？在GCN中，参数数量随卷积核尺寸k线性增加，因此一个自然的假设是表1中的改进主要是由于参数数量的增加。为了解决这个问题，我们将我们的GCN与一个简单的大卷积核设计进行比较，该设计使用了一个简单的k×k卷积（如图4 C所示）。结果如表2所示。从结果中我们可以看出，对于任何给定的卷积核尺寸，简单卷积设计的参数数量都比GCN多。然而，后者在性能方面始终优于前者。显然，对于简单卷积版本，如果k≤5，较大的卷积核尺寸会导致更好的性能，但是对于k≥7，性能会下降。一个假设是太多的参数使训练过拟合，削弱了较大卷积核的好处。然而，在训练中，我们发现简单的大卷积核实际上使网络难以收敛，而我们的GCN结构不会受到这个缺点的影响。因此，实际原因仍需要进一步研究。

        （2）GCN vs.小卷积核的堆叠。除了GCN之外，形成一个大卷积核的另一种简单方法是使用小卷积核的堆叠（例如，图4 D中的3×3卷积核的堆叠），这在现代CNN架构（如VGG-net [30]）中非常常见。例如，我们可以使用两个3×3的卷积来近似一个5×5的卷积核。在表3中，我们比较了GCN与不同等效卷积核尺寸下的卷积堆叠。与[30]不同的是，我们在卷积堆叠中不应用非线性，以保持与GCN结构的一致性。结果表明，对于任何大的卷积核尺寸，GCN仍然优于简单的卷积堆叠。

        对于大的卷积核尺寸（例如k=7），3×3的卷积堆叠会带来比GCN更多的参数，这可能对结果产生副作用。因此，我们尝试减少卷积堆叠的中间特征图数量，并进行进一步的比较。结果列在表4中。很明显，随着参数数量的减少，性能会下降。总之，与简单的卷积堆叠相比，GCN是一种更好的结构。

        （3）GCN如何对分割结果做出贡献？在第3.1节中，我们声称通过在特征图中引入密集连接，GCN改善了分割模型的分类能力，这有助于处理大量的变换。基于此，我们可以推断位于大型物体中心的像素可能会更多地从GCN中受益，因为它与“纯粹”的分类问题非常接近。然而，对于物体的边界像素，性能主要受到定位能力的影响。

        为了验证我们的推断，我们将分割得分图分为两部分：

        a）边界区域，其像素接近于物体边界（距离≤7），

        b）内部区域为其他像素。

        我们在这两个区域中评估了我们的分割模型（GCN，k=15）的性能。结果如表5所示。我们发现，我们的GCN模型主要改善了内部区域的准确性，而在边界区域的影响较小，这强烈支持了我们的论点。此外，在表5中我们还评估了第3.2节中提到的边界细化（BF）模块。与GCN结构相反，BF主要改善了边界区域的准确性，这也证实了它的有效性。

表2：全局卷积网络和简单实现之间的比较实验。得分是在标准的平均IoU（%）下进行测量的，第3行和第4行显示了GCN和简单卷积在res-5之后的参数数量。

表3：全局卷积网络和等效的小卷积核叠加层之间的比较实验。得分是在标准的平均IoU（%）下进行测量的。对于大卷积核（k>7），GCN仍然表现更好。

表4：小卷积核叠加层的通道数实验结果。得分是在标准的平均IoU下进行测量的。GCN在参数较少的情况下优于卷积叠加设计。

表5：残差边界对齐的实验结果。边界和内部列通过每像素准确度进行测量，而第三列通过标准的平均IoU进行测量。 

4.1.2.预训练模型的卷积网络

        在上述的子节中，我们的分割模型是从ResNet-152网络进行微调的。由于大卷积核在分割任务中起着关键作用，自然而然地将GCN的思想应用于预训练模型。因此，我们提出了一种新的ResNet-GCN结构，如图5所示。我们移除了ResNet中原始瓶颈结构中的前两层，并用一个GCN模块替换它们。为了与原始模型保持一致，我们在每个卷积层之后也应用了批量归一化[15]和ReLU激活函数。

        我们将我们的ResNet-GCN结构与原始的ResNet模型进行了比较。为了公平比较，ResNet-GCN的大小被精心选择，以使两个网络具有类似的计算成本和参数数量。更多细节请参见附录。我们首先在ImageNet 2015 [28]上对ResNet-GCN进行预训练，然后在PASCAL VOC 2012分割数据集上进行微调。结果如表6所示。请注意，我们选择了ResNet50模型（带有或不带有GCN）进行比较，因为大型ResNet152的训练非常耗时。从结果中我们可以看出，作为ImageNet分类模型，基于GCN的ResNet稍逊于原始ResNet。然而，在分割数据集上进行微调后，ResNet-GCN模型的性能明显优于原始ResNet，提升了5.5%。通过应用GCN和边界细化，基于GCN的预训练模型的收益变得较小，但仍然显著。我们可以安全地得出结论，GCN主要有助于提高分割性能，无论是在预训练模型中还是在分割特定的结构中。

图5.A：原始ResNet中的瓶颈模块。B：我们在ResNet-GCN中的全局卷积网络。

表6：在ResNet50和ResNet50-GCN上的实验结果。在ImageNet分类错误中使用了224×224中心裁剪在256×256图像上的Top-5错误。分割得分是在标准平均IoU下测量的。

4.2.PASCAL VOC 2012

        在这一节中，我们讨论了在PASCAL VOC 2012数据集上的实践。根据[6,37,24,7]的方法，我们使用微软的COCO数据集[22]对模型进行预训练。COCO数据集有80个类别，这里我们只保留了包含PASCAL VOC 2012中相同的20个类别的图像。训练阶段分为三个阶段：

        (1)在第一阶段，我们混合了来自COCO、SBD和标准PASCAL VOC 2012的所有图像，共计109,892张图像进行训练。

        (2)在第二阶段，我们使用了SBD和标准PASCAL VOC 2012的图像，与第4.1节相同。

        (3)在第三阶段，我们只使用了标准的PASCAL VOC 2012数据集。输入图像在第一阶段被填充到640×640，第二和第三阶段为512×512。在验证集上的评估结果如表7所示。

        我们的GCN + BR模型明显优于其他模型，同时后处理的多尺度和denseCRF [18]也带来了好处。图6给出了一些视觉比较结果。我们还将我们最好的模型提交到在线评估服务器，在PASCAL VOC 2012测试集上获得了82.2%的准确率，如表8所示。我们的工作在性能上超过了所有先前的最新技术。图6：在PASCAL VOC 2012上的语义分割结果示例。对于每一行，我们列出了输入图像（A），1×1卷积基线（B），全局卷积网络（GCN）（C），全局卷积网络加边界细化（GCN + BR）（D），以及真实标签（E）。

 表8：在PASCAL VOC 2012测试集上的实验结果。

4.3.Cityscapes

        Cityscapes [8]是一个用于城市街景语义分割的数据集。它包含来自50个城市的24998张图像，具有不同的条件，属于30个类别，没有背景类别。由于某些原因，只有30个类别中的19个类别在排行榜上进行评估。这些图像根据其标注质量被分为两个集合。其中5,000张图像是精细标注的，而另外19,998张图像是粗略标注的。这5,000张精细标注的图像进一步分为2,975张训练图像，500张验证图像和1,525张测试图像。Cityscapes中的图像大小固定为1024×2048，对于我们的网络架构来说太大了。因此，在训练阶段我们随机裁剪图像为800×800大小。我们还将GCN中的k值从15增加到25，因为最终特征图为25×25。训练阶段分为两个阶段：

        (1)在第一阶段，我们混合了粗略标注的图像和训练集，共计22,973张图像。

        (2)在第二阶段，我们只在训练集上对网络进行微调。在评估阶段，我们将图像分成四个1024×1024的部分，并融合它们的分数图。结果如表9所示。

        我们将我们最好的模型提交到在线评估服务器，在Cityscapes测试集上获得了76.9%的准确率，如表10所示。再次证明我们的工作超过了所有先前的发表，并达到了新的最新技术水平。

表9：在Cityscapes验证集上的实验结果。这里使用了标准的平均IoU来评估。

表10：在Cityscapes测试集上的实验结果。

5.总结

        根据我们对分类和分割的分析，我们发现大尺寸的卷积核对于缓解分类和定位之间的矛盾非常重要。遵循大尺寸卷积核的原则，我们提出了全局卷积网络。消融实验表明，我们提出的结构在有效感受野和参数数量之间取得了良好的平衡，并取得了良好的性能。为了进一步精细化物体边界，我们提出了一种新颖的边界细化模块。从定性上看，我们的全局卷积网络主要改善了内部区域，而边界细化则提高了边界附近的性能。我们的最佳模型在两个公共基准测试中取得了最先进的结果：PASCAL VOC 2012（82.2%）和Cityscapes（76.9%）。