【图像分割论文阅读】The One Hundred Layers Tiramisu: Fully Convolutional DenseNets for Semantic Segmentation

---

---

本文出自加拿大蒙特利尔学习算法研究院、蒙特尔理工学院、蒙特利尔伊玛吉亚公司、巴塞罗那计算机视觉中心联合出品。注意到Bengio也在其中。文章最终发表于CVPR2017.[Tiramisu译作提拉米苏]
论文地址：The One Hundred Layers Tiramisu: Fully Convolutional DenseNets for Semantic Segmentation

---

背景

从某种意义上来说，本文的结构是经典的Encoder-Decoder模型，仿照的是U-Net的构造，主要贡献在于结合当时分类效果最好的模型DenseNet，经过调整，将DenseNet改造并成功用于编解码过程FC-。最后的实验是在CamVid、Gatech两个数据集上完成的。最后，在上述两个数据机上的表现达到SOTA，但是模型大小至多为那些SOTA模型的1/10.（注意这里作者实验中测试了三种深度的模型。）

模型结构

如下图所示文章中的模型结构与U-Net如出一辙，微小差异在于上采样过程upsample path的设计，包括恢复图像分辨率所采样方法、以及连接方式有差异。
下图左侧为卷积降采样过程，此间产生特征，右侧代表Upsample path用于恢复图像分辨率以获取更多细节信息。中间的虚线代表skip connection.文章主要是设计扩展Dense-Net用以替代U-Net中的一般卷积，由图中绿色部分标识。另外一个细微不同在于，Upsamole path中的上采样方式采用的是transposed convolution，也就是反卷积Deconv。

其中Dense-Net Block的结构如下：

Dense-Net对于输入进行如上图所示的操作，经过四个3*3的卷积，完整说来每一个layer包含BN+ReLU+CONV+Dropout四个部分。每个卷积产生大小为k的特征图，经过这个block会产生4k个特征图。

这一过程的的特点在于，由于结构中skip connection的存在，使得输出不仅仅包含非线性映射，还包括一个恒等变换：
$$x_{\ell }=H_{\ell }\left(x_{\ell -1}\right)+x_{\ell -1}$$
其中$H$代表非线性变换。
这样堆叠的结果是，在$l$层的变化为$$x_{\ell }=H_{\ell }\left(\left[x_{\ell -1},x_{\ell -2},\dots ,x_0\right]\right)$$

---

文中的上采样、降采样的具体形式如下图：

最后作者采用的模型结构为：

---

实验

实验的评价指标为IoU，以及全局准确度。在CamVid数据集的表现如下图。可以看出，本文使用的FC-Dense Net模型在不使用ImageNer数据预训练的前提下，取得的全局准确率高达91.5%，而模型的的参数仅仅为此前SOTA的十分之一。作者在文中提到，可以在其他数据上预训练可能会得到更好的结果。以及利用均值场推理进行后处理也能提升性能。

---

最后参数量的减少很大程度上是因为采用的基础模型为Dense-Net，特征图共享以及skip connection是模型参数量减少的主要原因，并不是作者在upsample path中有什么别出心裁的设计。