【语义分割】全卷积网络（Fully Convolutional Networks, FCN）详解

论文题目：《Fully Convolutional Networks for Semantic Segmentation》
论文地址：https://arxiv.org/abs/1411.4038

传统的基于CNN的语义分割方法

       传统的基于CNN的语义分割方法为了对一个像素分类，使用该像素周围的一个图像块作为CNN的输入，用于训练和预测。这种方法有以下几个缺点：

1）存储开销很大、例如，对一个像素使用的图像块的大小为15×15，然后不断滑动窗口，每次滑动的窗口给CNN进行判别分类。因此，所需的存储空间根据滑动窗口的次数和大小急剧上升。
2）计算效率低下。相邻的像素块基本上是重复的，针对每个像素块逐个计算卷积，这种计算也有很大程度上的重复。
3）像素块的大小限制了感受野的大小。通常像素块的大小比整幅图像的大小小很多，只能提取一些局部特征，从而导致分类的性能受到限制。

1. FCN概述

       通常CNN网络在卷积层之后会接上若干个全连接层, 将卷积层产生的特征图(feature map)映射成一个固定长度的特征向量。以AlexNet为代表的经典CNN结构适合于图像级的分类和回归任务，因为它们最后都期望得到整个输入图像的一个数值描述（概率），比如AlexNet的ImageNet模型输出一个1000维的向量表示输入图像属于每一类的概率(softmax归一化)。
       FCN对图像进行像素级的分类，从而解决了语义级别的图像分割（semantic segmentation）问题。与经典的CNN在卷积层之后使用全连接层得到固定长度的特征向量进行分类（全联接层＋softmax输出）不同，FCN可以接受任意尺寸的输入图像，采用反卷积层对最后一个卷积层的feature map进行上采样, 使它恢复到输入图像相同的尺寸，从而可以对每个像素都产生了一个预测, 同时保留了原始输入图像中的空间信息, 最后在上采样的特征图上进行逐像素分类。
       如下图所示，在传统的CNN结构中，前5层是卷积层，第6层和第7层分别是一个长度为4096的一维向量，第8层是长度为1000的一维向量，分别对应1000个类别的概率。FCN将这3层表示为卷积层，卷积核的大小(通道数，宽，高)分别为（4096,7,7）、（4096,1,1）、（1000,1,1）。所有的层都是卷积层，故称为全卷积网络。

核心思想：
1）不含全连接层的全卷积网络，可适应任意尺寸的输入。
2）使用反卷积进行上采样扩大图像尺寸，能够输出精细的结果。
3）使用跳跃连接的结构，提升鲁棒性和精确性。

2. 网络结构

网络结构示意图：

网络结构细节图如下：

1. 对原图进行 conv1、pool1 后图像缩小为原图的 1/2。
2. 进行 conv2、pool2，图像缩小为原图的 1/4。
3. 进行 conv3、pool3，图像缩小为原图的 1/8，此时保留 pool3 的输出结果（特征图）。
4. 进行conv4、pool4，图像缩小为原图的 1/16，此时保留 pool4 的输出结果（特征图）。
5. 进行 conv5、pool5，图像缩小为原图的 1/32。
6. 进行将原全连接层变成卷积操作的 conv6、conv7，输出的特征图大小仍为原图的 1/32。

● FCN-32s
       直接将conv7之后只有原图1/32大小的特征图进行32倍上采样恢复到原图大小，然后进行预测。

● FCN-16s
       先将conv7之后只有原图1/32大小的特征图进行2倍上采样，此时特征图为原图的1/16；然后和pool4的输出（也是原图大小的1/16）进行融合；最后将融合后的特征图进行16倍上采样恢复到原图大小，再进行预测。
● FCN-8s
       先将conv7之后只有原图1/32大小的特征图进行4倍上采样，此时特征图为原图的1/8；然后将pool4输出的特征图进行2倍上采样得到原图1/8大小的特征图；接着将前两个处理之后的特征图和pool3的输出（也是原图大小的1/8）进行融合；最后将融合后的特征图进行8倍上采样恢复到原图大小，再进行预测。

3. 训练细节

训练过程分为四个阶段，如下：
1）第一阶段

       使用数据集对模型的分类backbone进行预训练，使卷积层获得提取相应特征的能力。最后两层红色的是全连接层。

2）第二阶段

       从特征小图（16×16×4096）预测分割小图（16×16×21），之后直接升采样为大图（300×300×21）。这里输出通道数为21的原因是：采用的PASCAL数据集中有20类，算上背景类一共21类。每个通道预测一类的像素。反卷积（橙色）的步长为32，故该网络被称为FCN-32s

3）第三阶段

       这个阶段上采样分为两次完成（橙色×2）。 在第二次升采样前，把第4个pooling层（绿色）的预测结果（蓝色）通过跃层结构融合进来，提升精确性。 第二次反卷积步长为16，这个网络称为FCN-16s。

4）第四阶段

       这个阶段上采样分为三次完成（橙色×3）。 进一步融合了第3个pooling层的预测结果。 第三次反卷积步长为8，记为FCN-8s。

4. 实验效果

5. FCN缺点

1）得到的结果还是不够精细。进行8倍上采样虽然比32倍上采样的效果好了很多，但是上采样的结果还是比较模糊，对图像中的细节不敏感。
2）对各个像素进行分类，没有充分考虑像素与像素之间的关系，即便是用卷积层替换了全连接层，但是依然是独立像素进行分类。