图像分割之Global Convolutional Network(GCN)

最新推荐文章于 2024-08-16 08:02:58 发布

烤粽子

最新推荐文章于 2024-08-16 08:02:58 发布

阅读量2.8k

点赞数 3

分类专栏：计算机视觉分割文章标签：分割 pytorch 计算机视觉

本文链接：https://blog.csdn.net/Mao_Jonah/article/details/118801225

版权

计算机视觉同时被 2 个专栏收录

16 篇文章 2 订阅

订阅专栏

分割

5 篇文章 0 订阅

订阅专栏

论文：Large Kernel Matters ——
Improve Semantic Segmentation by Global Convolutional Network

主要工作（创新点）：

提出全局卷积网络（Global Convolutional Network，GCN），用以同时提高语义分割中分类和定位的准确度。
提出Boundary Refinement block（BR）, 用以提高物体边界的定位。

在早期的网络中，有不少大卷积核。后来因为在相同计算复杂度下，堆叠的小滤波器比大内核更高效，比如一个 $5\times5$ 卷积核使用两个 $3\times3$ 卷积核来代替，所以目前的网络大多使用的是 $3\times3,1\times1$ 卷积核。然而，在语义分割领域，我们需要进行密集的逐像素预测，我们发现当我们必须同时进行分类和定位任务时，大的核(有效的感受野)起着重要的作用。

简介

文章指出了语义分割遇到的两个挑战：对像素进行分类，定位。一个设计良好的分割模型应该同时处理这两个问题。

但是，这两个任务通常是矛盾的：对于分类任务而言，模型需要对各种变换（比如旋转和平移）具有不变性，但是对于定位任务而言，模型又必须对各种变换保持敏感，因为每个像素都需要在正确的位置上进行分类。

在这里插入图片描述

像上图B中，很多分割网络是主要是为了定位，这样可能会降低分类性能；图C，文章提出的GCN,兼顾分类和定位。

结构设计要求：

从定位角度出发，模型应该使用全卷积以保持定位性能，不使用全连接和全局池化，因为这些层会丢失定位信息;
从分类的角度看，在网络结构中应采用较大size的内核，使feature maps和逐像素分类器之间紧密连接，增强了处理不同transformations的能力。

模型

GCN

作者观察到一些SOTA(这篇paper之前的)语义分割模型，其设计都是为了更好的定位，这可能会降低分类的效果。分类效果变差可能是由感受野造成的。例子如下图所示，注意有效感受野不等同于感受野，对于传统模型，即使感受野和输入图像一样大，有效感受野也只是覆盖了object鸟(A)，当输入调整到更大的尺度(B)，有效感受野就不能保留整个object了，(B)中可以看到只覆盖了部分，文章提出的GCN在输入图像尺寸变大的时候依然能覆盖整个object。

在这里插入图片描述

基于此，作者开始设计网络，从定位出发要使用全卷积，不使用全连接或者全局池化。从分类出发，卷积核size要尽可能的大。文章使用了 $\times k + k \times 1$ 和 $\times 1 + 1 \times k$ 卷积核组合的方式来替代 $\times k$ ,注意这后面没有接非线性激活函数。这样做主要是为了保证一定感受野的情况下，减少计算量，GCN结构只有 $O(\frac{2}{k})$ 的计算消耗和参数数量。

非对称卷积

GCN block

如下图所示，两条branch，分别是 $\times k + k \times 1$ 和 $\times 1 + 1 \times k$ ，比较清楚。

在这里插入图片描述

代码如下：

class GCM(nn.Module):
    def __init__(self, in_channels, num_class, k=15):
        super(GCM, self).__init__()

        pad = (k-1) // 2

        self.conv1 = nn.Sequential(nn.Conv2d(in_channels, num_class, kernel_size=(1, k), padding=(0, pad), bias=False),
                                   nn.Conv2d(num_class, num_class, kernel_size=(k, 1), padding=(pad, 0), bias=False))

        self.conv2 = nn.Sequential(nn.Conv2d(in_channels, num_class, kernel_size=(k, 1), padding=(pad, 0), bias=False),
                                   nn.Conv2d(num_class, num_class, kernel_size=(1, k), padding=(0, pad), bias=False))

    def forward(self, x):

        x1 = self.conv1(x)
        x2 = self.conv2(x)

        assert x1.shape == x2.shape

        return x1 + x2

BR block

网络使用了较多的Boundary Refinement结构，这是一种残差连接的结构，具体结构如下图所示，顶部 $w\times h \times 21$ 是粗糙score map,侧边的残差连接可以对boundary进行refine,两者相加达到了Boundary Refine的效果。

在这里插入图片描述

代码如下：

class BR(nn.Module):
    def __init__(self, num_class):
        super(BR, self).__init__()

        self.shortcut = nn.Sequential(nn.Conv2d(num_class, num_class, 3, padding=1, bias=False),
                                      nn.ReLU(),
                                      nn.Conv2d(num_class, num_class, 3, padding=1, bias=False))

    def forward(self, x):
        return x + self.shortcut(x)