百度飞桨图像分割七日打卡营学习笔记

最新推荐文章于 2024-04-04 21:23:24 发布

haoah316

最新推荐文章于 2024-04-04 21:23:24 发布

阅读量797

点赞数 1

文章标签：深度学习计算机视觉

本文链接：https://blog.csdn.net/haoah316/article/details/109269994

版权

百度飞桨图像分割七日打卡营学习笔记

（来源：飞桨图像分割教程，课程链接https://aistudio.baidu.com/aistudio/course/introduce/1767）

1.语义分割概念：

图像分割是计算机视觉中除了分类和检测外的另一项基本任务，它意味着要将图片根据内容分割成不同的块。相比图像分类和检测，分割是一项更精细的工作，因为需要对每个像素点分类，如下图的街景分割，由于对每个像素点都分类，物体的轮廓是精准勾勒的，而不是像检测那样给出边界框。图像分割可以分为两类：语义分割（Semantic Segmentation）和实例分割（Instance Segmentation）。区别如下图所示：语义分割只是简单地对图像中各个像素点分类，但是实例分割更进一步，需要区分开不同物体，这更加困难，从一定意义上来说，实例分割更像是语义分割加检测。这里我们主要关注语义分割。
在这里插入图片描述

2.语义分割经典模型：

2.1 FCN

对于一般的分类CNN网络，如VGG和Resnet，都会在网络的最后加入一些全连接层，经过softmax后就可以获得类别概率信息。但是这个概率信息是1维的，即只能标识整个图片的类别，不能标识每个像素点的类别，所以这种全连接方法不适用于图像分割。而FCN提出可以把后面几个全连接都换成卷积，这样就可以获得一张2维的feature map，后接softmax获得每个像素点的分类信息，从而解决了分割问题,如下图，

$[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-o8F5DLHK-1603589300263)(C:\Users\fd\AppData\Roaming\Typora\typora-user-images\image-20201014100427980.png)]$
对于特征融合的不同情况，作者在原文种给出3种网络结果对比，明显可以看出效果：FCN-32s < FCN-16s < FCN-8s，即使用多层feature融合有利于提高分割准确性。
在这里插入图片描述

对于FCN-32s，直接对pool5 feature进行32倍上采样获得32x upsampled feature，再对32x upsampled feature每个点做softmax prediction获得32x upsampled feature prediction（即分割图）。
对于FCN-16s，首先对pool5 feature进行2倍上采样获得2x upsampled feature，再把pool4 feature和2x upsampled feature逐点相加，然后对相加的feature进行16倍上采样，并softmax prediction，获得16x upsampled feature prediction。
对于FCN-8s，首先进行pool4+2x upsampled feature逐点相加，然后又进行pool3+2x upsampled逐点相加，即进行更多次特征融合。具体过程与16s类似，不再赘述。

2.1.1 上采样

在这里插入图片描述

上采样有3种常见的方法：双线性插值(bilinear)，反卷积(Transposed Convolution)，反池化(Un-pooling)

1.双线性插值：是实践过程常用的上采样手段，计算简单，而且得到效果也不差。
在这里插入图片描述

2.反卷积：准确的说，应该叫做转置卷积（Transpose Convolution）

在这里插入图片描述

卷积操作（矩阵演示）：

在这里插入图片描述

转置卷积（矩阵演示）：
在这里插入图片描述

3.反池化：Un-Pooling，不太常用，比较老的方法

在这里插入图片描述

2.1.2 FCN实践过程中的巧妙之处:

def __init__(self,num_classes=59):
        super(FCN8s,self).__init__()
        backbone = VGG16BN(pretrained=False)

        self.layer1 = backbone.layer1
        self.layer1[0].conv._padding = [100,100]
        self.pool1 = Pool2D(pool_size=2,pool_stride=2,ceil_mode=True)
        self.layer2 = backbone.layer2
        self.pool2 = Pool2D(pool_size=2,pool_stride=2,ceil_mode=True)
        self.layer3 = backbone.layer3
        self.pool3 = Pool2D(pool_size=2,pool_stride=2,ceil_mode=True)
        self.layer4 = backbone.layer4
        self.pool4 = Pool2D(pool_size=2,pool_stride=2,ceil_mode=True)
        self.layer5 = backbone.layer5
        self.pool5 = Pool2D(pool_size=2,pool_stride=2,ceil_mode=True)

        self.fc6 = Conv2D(512,4096,7,act='relu')
        self.fc7 = Conv2D(4096,4096,1,act='relu')
        self.drop6 = Dropout()
        self.drop7 = Dropout()
        #1x1conv
        self.score = Conv2D(4096,num_classes,1)
        self.score_pool3 = Conv2D(256,num_classes,1)
        self.score_pool4 = Conv2D(512,num_classes,1)

        #up-smapling
        self.up_output = Conv2DTranspose(num_channels=num_classes,
                                            num_filters=num_classes,
                                            filter_size=4,
                                            stride=2,
                                            bias_attr=False)
        self.up_pool4 = Conv2DTranspose(num_channels=num_classes,
                                            num_filters=num_classes,
                                            filter_size=4,
                                            stride=2,
                                            bias_attr=False)
        self.up_final = Conv2DTranspose(num_channels=num_classes,
                                            num_filters=num_classes,
                                            filter_size=16,
                                            stride=8,
                                            bias_attr=False)

这里的FCN8s的编码backbone是VGG16，继续添加两个全连接层FC6，FC7（本质为conv），然后使用转置卷积进行上采样得到最后的mask。

卷积操作的输出尺寸计算，Houtput=(Hinput-K+2P)/S+1

根据卷积操作，那么转置卷积的输出尺寸计算，Houtput=(Hinput-1)XS+K-2P

思考：

1.为何在Conv1时加入padding = [100,100]？

一般来说，示例输入图像(HXW)尺寸为224x224->(conv1+pool1）->112x112->(conv2+pool2）->56x56->(conv3+pool3）->28x28->(conv4+pool4）->14x14->(conv5+pool5）->7x7 ->FC6(conv7x7)->1x1->FC7(conv1x1)->1x1->…

当图像尺寸小于224x224时，上面尺寸变化还会如此顺利吗？极端的考虑，把输入图像设为1x1,那么：

1x1->(conv1+pool1）->1x1->(conv2+pool2）->1x1->(conv3+pool3）->1x1->(conv4+pool4）->1x1->(conv5+pool5）->1x1 ->FC6(conv7x7)->Error->FC7(conv1x1)->…在经过FC6时就会报错。

所以，为了让网络可以接受任意大小的输入，就可以在conv1时加入100的padding，这样上面的过程就变为：

1x1->(conv1(padding100)）->199x199->（pool1）->100x100->(conv2+pool2）->50x50->(conv3+pool3）->25x25->(conv4+pool4）->13x13->(conv5+pool5）->7x7 ->FC6(conv7x7)->1x1->FC7(conv1x1)->1x1->…

def forward(self,inputs):
        x = self.layer1(inputs)
        x = self.pool1(x)
        x = self.layer2(x)
        x = self.pool2(x)
        x = self.layer3(x)
        x = self.pool3(x)
        pool3 = x
        x = self.layer4(x)
        x = self.pool4(x)
        pool4 = x
        x = self.layer5(pool4)
        x = self.pool5(x)

        x = self.fc6(x)
        x = self.drop6(x)
        x = self.fc7(x)
        x = self.drop7(x)

        x = self.score(x)
        x = self.up_output(x)

        up_output = x  #1/16
        x = self.score_pool4(pool4)
		#crop操作
        x = x[:,:, 5:5+up_output.shape[2],5:5+up_output.shape[3]]

        up_pool4 = x
        x = up_pool4 + up_output
        x = self.up_pool4(x)
        up_pool4 = x

        x = self.score_pool3(pool3)
        #crop操作
        x = x[:,:, 9:9+up_pool4.shape[2],9:9+up_pool4.shape[3]]
        up_pool3 = x  #1/8

        x = up_pool3 + up_pool4

        x = self.up_final(x)
		#crop操作
        x = x[:,:, 31:31+inputs.shape[2],31:31+inputs.shape[3]] 

        return x

2.为什么要crop（5，9，31）？

$[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-bhXmFETE-1603589300311)(C:\Users\fd\AppData\Roaming\Typora\typora-user-images\image-20201022162055686.png)]$
优点：

任意尺寸输入、效率高、结合浅层信息

缺点：

分割结果不够精细、没有考虑上下文信息（“看看旁边有啥，左顾右盼”）

2.U-Net

(2015年MICCAI)

在这里插入图片描述

U-Net是原作者参加ISBI Challenge提出的一种分割网络，能够适应很小的训练集（大约30张图）。U-Net与FCN都是很小的分割网络，既没有使用空洞卷积，也没有后接CRF，结构简单。整个U-Net网络结构如上图，类似于一个大大的U字母：首先进行Conv+Pooling下采样，将特征抽象，获取丰富的高级语义信息，有助于分割目标物体的类别判断；然后Deconv反卷积进行上采样，将图像恢复到模板大小，但在直接恢复会导致分割出来的结果粗糙，所以crop之前的低层feature map，进行融合，获得更为精细的分割结果；然后再次上采样。重复这个过程，直到获得输出388x388x2的feature map，最后经过softmax获得output segment map。总体来说与FCN思路非常类似。

在这里插入图片描述

与FCN逐点相加不同，U-Net采用将特征在channel维度拼接在一起，形成更“厚”的特征。所以：

语义分割网络在特征融合时也有2种办法：

FCN式的逐点相加，对应caffe的EltwiseLayer层，对应tensorflow的tf.add()
U-Net式的channel维度拼接融合，对应caffe的ConcatLayer层，对应tensorflow的tf.concat()

相比其他大型网络，FCN/U-Net还是蛮简单的，就不多废话了。

总结一下，CNN图像语义分割也就基本上是这个套路：

下采样+上采样：Convlution + Deconvlution／Resize
多尺度特征融合：特征逐点相加／特征channel维度拼接
获得像素级别的segement map：对每一个像素点进行判断类别

即使是更复杂的DeepLab v3+依然也是这个基本套路

3.PSPNet(Pyramid Scene Parsing Network)

FCN缺点：没有考虑上下文信息

在这里插入图片描述
1.什么是上下文信息？

2.PSP网络如何获取上下文？

增大感受野（Receptive Field）。

$[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-nt4wAlIM-1603589300327)(C:\Users\fd\AppData\Roaming\Typora\typora-user-images\image-20201022202436541.png)]$
感受野（RF）= 用于产生特征的输入图像中的区域大小

只针对于局部操作：例如conv，pooling

3.如何增大感受野？

不同scale的“feature pyramid”

4.PSP模块及特征图变化

在这里插入图片描述

5.Adaptive Pooling概念：

floor（）：向下取整

在这里插入图片描述

6.PSP完整结构

在这里插入图片描述

4.DeepLab系列

1.空洞卷积：

在这里插入图片描述

空洞卷积后的尺寸变化：

在这里插入图片描述
D=1,没有空洞

作用及优点：扩大感受野，计算量增加少

（dilated ResNet）
在这里插入图片描述

2.DeepLab 系列网络

在这里插入图片描述

如果觉得PSPNet，DeepLab等大模型在单卡上难以训练，可以考虑将后面的分割部分加到轻量级MobileNet V1等系列上去，训练可能会更快。

在这里插入图片描述

1）DeepLab V1

$[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-E2iqigwB-1603589300341)(C:\Users\fd\AppData\Roaming\Typora\typora-user-images\image-20201023140719961.png)]$

2）DeepLab V2

在这里插入图片描述

3）DeepLab V3

在这里插入图片描述
Backbone：

![[]](https://img-blog.csdnimg.cn/20201025095937608.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hhb2FoMzE2,size_16,color_FFFFFF,t_70#pic_center)
在这里插入图片描述
后续有相关内容会继续补充，欢迎各位有想法的小伙伴们积极指导和讨论。感谢观看~

haoah316

关注

1
点赞
踩
4

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫