【DeeplabV1 & DeeplabV2】Semantic Image Segmentation with Deep Convolutional Nets And FC CRFs

ICLR 2015 (International Conference on Learning Representations)
github-caffe

Deeplabv1

概述

---

• 解决的问题？
  • 语义分割;
  • 相对于以往的工作，要让分割的边界更加的精确（导致不精确的根本原因是高层特征的平移不变性，微微小的位置细节变化在高层特征上无法表示）;
• 采用的方法？
  • Deeplab结合了深度卷积神经网络（DCNNs）和概率图模型（DenseCRFs）。
  • 将hole（空洞卷积）应用在DCNNs模型上。
• 结果如何？
  • 相比于传统的视觉算法（SIFT or HOG），DCNN以其end-to-end的方式获得了很好的效果，
  • 在pascal-voc2012上获得state-of-the-art 的效果，测试集上达到71.6% IOU accuracy，
  • 速度上，现代GPU上8fps，全连接CRF平均推断需要0.5s。
• 评估
  • 速度快，精度高。
  • Deeplab是由两个非常成熟的模块组成——DCNN&CRFs级联而成。
  • 后续的direction：需要将CNN和CRF（Conditional random field）整合为end-to-end的系统。将论文的结构应用在其他的数据集上，如depth maps or videos。
    图片来自官方的PPT

细节

---

section1

结构都是我们现在熟悉的结构。主要讲一下结构的大致构造。

• 训练的时候使用的预训练模型是VGG16的权重，然后进行finetune，当然，最VGG16还要进行结构的修改才能符合我们的训练要求：
  • 将VGG16后面的全连接层改为全卷积层。
  • 为了更加密集的采样，在最后的两个pool层，不进行下采样。
  • 将倒数第二个pool后的紧随的三个卷积变成2x采样率的空洞卷积，将最后一个pool后的第一个FC层变成4x采样率的空洞卷积（扩大感受野，但是不增加参数量）。
  • 训练时，损失函数取的是输出的特征图与ground truth下采样8倍做交叉熵和；但是测试时候，取输出特征图的双线性插值上采样8倍得到的结果。

• 由上面得到的分割结果，是比较粗糙的，在轮廓部分的分割效果将不会很好，没有确切的轮廓。有以下几种方式去解决：
  • 利用卷积网络中多个层次的信息，如FCN中的skip connection。
  • 还有一种方法就是，employ a super-pixel representation。这个有论文在用，且效果不错。这篇论文大致就是：首先对输入图像以superpixel来提取CNN的特征（使用VGG16），然后把这些特征作为CNN classifier的输入，输出每个superpixel的类别。相当于是换一种思路来进行分割。
  • 这篇论文就是采用了CRF来做这件事情。就是将DCNNs的识别能力和全连接CRFs细粒度定位精度结合起来，来产生更加精确的定位效果，从而使分割的效果、边界细节的判断也会更加的好。详情在section2。

section2

这个部分主要对CRF进行一个描述。

• 传统方法中，有使用CRFs来平滑噪声分割图（smooth noisy segmentation maps），这些模型会包括耦合相邻节点的energy terms，favoring same-label assignments to spatially proximal pixels（有利于相同标签分配空间近端像素？？不懂。。。）。定性来看，这些短范围（short-range）的CRFs的主要功能就是,it clean up the spurious predictions of weak classifier built on top of local hand-engineered features。
• 相对于这些弱分类器，现在的深度卷积网络表现得好很多。在这种情况下，使用local-range的CRF就不是很好，因为虽然这样做会改善定位的表现，但是会失去许多thin-structures。为了克服short-range CRFs的局限性，就将我们的系统与全连接CRF模型整合在一起。
• 关于CRF，参考这篇博文：here

section3

多尺度的预测

• 本文还探索了使用多尺度预测来增加对边界检测的准确性。具体做法是在输入图像和前四个池化层的输出附加了两层MLP(第一层：128个3x3卷积，第二层是128个1x1卷积)，他们的输出和最后的输出进行channel的concat操作，合起来，最后的softmax层输入特征多了5x168=640个channels，实验表明多尺度有助于提高精度，但是效果不如CRF明显。

result

---

实验的一些条件：

Name	Info
Backbone	VGG16（pre-trained on ImageNet）
Dataset	Pascal VOC 2012
Batch size	20
initial Lr	0.001（0.01 for the final classifier layer），x0.1/2000 iters