温故而知新,可以为师矣!
一、参考资料
github仓库:Multi-Scale Context Aggregation by Dilated Convolutions
图片素材来源:Convolution arithmetic
Dilated Convolution —— 空洞卷积(膨胀卷积)
二、相关介绍
1. 标准卷积的计算公式
标准卷积的计算公式如下:
o
=
⌊
i
+
2
p
−
k
s
⌋
+
1
i
=
size
of
input
o
=
size
of
output
p
=
p
a
d
d
i
n
g
k
=
size
of
kernel
s
=
s
t
r
i
d
e
s
(
1
)
o=\left\lfloor\frac{i+2p-k}{s}\right\rfloor+1 \quad \begin{array}{l} \\i=\textit{size of input}\\o=\textit{size of output}\\p=padding\\k=\textit{size of kernel}\\s=strides\end{array}\quad (1)
o=⌊si+2p−k⌋+1i=size of inputo=size of outputp=paddingk=size of kernels=strides(1)
三、空洞卷积(Dilated Convolution
)相关介绍
1. 引言
1.1 增大感受野
用CNN进行图像处理时,通常需要经过多次卷积和pooling操作,pooling操作可以减少图像的尺寸,再使用卷积核可以增大感受野;多个卷积核堆叠也可以增大感受野。但是,在图像分割任务中,例如FCN[3],由于图像分割预测是 pixel-wise
的输出,所以要将pooling操作后较小尺寸的 feature map
通过 upsampling
的方法(如Conv2DTranspose
转置卷积)恢复到原始图像尺寸,再进行预测。如下图所示:
因此,图像分割FCN中有两个关键,一个是pooling操作减小图像尺寸增大感受野,另一个是 upsampling
扩大图像尺寸。在先减小再增大尺寸的过程中,导致一些细节信息的损失。那么能不能设计一种新的操作,不通过pooling操作也能有较大的感受野看到更多的信息呢?答案就是Dilated Convolution
。
1.2 up-sampling
和 pooling layer
存在的问题
图像分割任务中,较为著名的是 up-sampling
和 pooling layer
的设计,但这些设计存在一些致命性的缺陷,主要问题有:
- 参数不可学习:Up-sampling / pooling layer (e.g. bilinear interpolation) is deterministic。
- 内部数据结构丢失,空间层级化信息丢失。
- 小物体信息无法重建:如果一个物体占4x4的像素,则经过4次pooling操作之后,物体的信息就无法重构了。换句话说,假设有4个pooling layer,则任何小于 2 4 = 16 p i x e l 2^4=16 pixel 24=16pixel 的物体信息将理论上无法重建。
- pooling操作是不可逆转的,通过对
feature map
进行upsampling
还原图像尺寸时丢失信息。
在这样问题的存在下,图像分割问题一直处在瓶颈期无法再明显提高精度, 而 Dilated Convolution
的设计很好的避免了这些问题。
2. Dilated Convolution
与标准卷积的区别
空洞卷积/膨胀卷积/扩张卷积( Dilated/Atrous Convolution
),是一种通过增加卷积核(kernel)元素间距(padding 0)使得感受野增加的一种卷积方式。
关于标准卷积的相关介绍,请查阅另一篇博客:关于CNN卷积神经网络与Conv2D标准卷积的重要概念
标准卷积的 dilation rate=1
,如下图所示:
输入特征图(蓝色):
(
H
i
n
,
W
i
n
)
=
(
5
,
5
)
(H_{in},W_{in})=(5,5)
(Hin,Win)=(5,5)。
标准卷积核:
k
e
r
n
e
l
_
s
i
z
e
(
k
)
=
3
,
s
t
r
i
d
e
(
s
)
=
2
,
p
a
d
d
i
n
g
=
1
kernel\_size(k)=3,stride(s)=2,padding=1
kernel_size(k)=3,stride(s)=2,padding=1。
输出特征图(绿色):
(
H
o
u
t
,
W
o
u
t
)
=
(
3
,
3
)
(H_{out},W_{out})=(3,3)
(Hout,Wout)=(3,3)。
Dilated Convolution
的 dilation rate=2
,即卷积的空洞为2,如下图所示:
输入特征图(蓝色):
(
H
i
n
,
W
i
n
)
=
(
7
,
7
)
(H_{in},W_{in})=(7,7)
(Hin,Win)=(7,7)。
标准卷积核:
k
e
r
n
e
l
_
s
i
z
e
(
k
)
=
3
,
s
t
r
i
d
e
(
s
)
=
1
,
p
a
d
d
i
n
g
=
0
kernel\_size(k)=3,stride(s)=1,padding=0
kernel_size(k)=3,stride(s)=1,padding=0。
输出特征图(绿色):
(
H
o
u
t
,
W
o
u
t
)
=
(
3
,
3
)
(H_{out},W_{out})=(3,3)
(Hout,Wout)=(3,3)。
3. Conv2DTranspose
与Dilated Convolution
的区别
Conv2DTranspose
其中的一个用途是做upsampling
,即增大图像尺寸。而 Dilated Convolution
并不是做upsampling
,而是增大感受野。
Dilated Convolution
不是在像素之间padding空白的像素,而是在已有的像素上,skip掉一些像素,或者输入不变,对conv的kernel参数中插一些0的weight,达到一次卷积看到的空间范围变大的目的。
当然将标准卷积的 stride
步长设为大于1,也会达到增大感受野的效果,但是 stride
大于1就会导致 downsampling
,图像尺寸变小。
4. Dilated Convolution
的感受野
原始论文:[4]
如下图所示,三个卷积核尺寸都是3x3。
(a)图中的卷积为标准卷积,即 dilation rate=1
,此时这个卷积核的感受野大小为3x3。
(b)图中采用 Dilated Convolution
,dilation rate=2
,即卷积的空洞为1。此时每个卷积操作的点的感受野为3x3,整个卷积核的感受野为7x7。
(c)图中采用Dilated Convolution
,dilation rate=4
,即卷积的空洞为3。此时每个卷积操作的点的感受野为7x7,整个卷积核的感受野为15x15。
5. dilation rate
Dilated Convolution
是在标准卷积Convolution map
的基础上注入空洞,以此来增加感受野(reception field
)。因此,Dilated Convolution
在标准卷积的基础上多了一个超参数(hyper-parameter)称之为膨胀率(dilation rate
),表示卷积核的间隔。 dilation rate
控制卷积时的padding
以及 dilation rate
,通过不同的填充以及与膨胀,可以获取不同尺度的感受野,提取多尺度的信息。
如下图所示,Dilated Convolution
与标准卷积采用的都是3x3卷积核,标准卷积的 dilation rate
为1,Dilated Convolution
的 dilation rate
为2。
6. Dilated Convolution
的计算公式
Dilated Convolution
是特殊的卷积计算,计算公式服从标准卷积的计算。
6.1 公式推导
假设卷积核尺寸大小为k,则卷积核有 (k-1)
个间隔。dilation rate
为d,则卷积核的每个间隔需要填充 (d-1)
个零元素,一共需要填充 (k-1)*(d-1)
个零元素。
可以理解为,在原来的 k-1
个间隔中充填 d-1
行(列)零元素,得到一个新的
k
′
k^\prime
k′:
k
′
=
(
k
−
1
)
(
d
−
1
)
+
k
=
(
k
−
1
)
d
+
1
(
2
)
k'=(k-1)(d-1)+k=(k-1)d+1\quad (2)
k′=(k−1)(d−1)+k=(k−1)d+1(2)
将
k
′
k^\prime
k′ 代入
公式
(
1
)
公式(1)
公式(1),可得:
o
=
⌊
i
+
2
p
−
[
(
k
−
1
)
d
+
1
]
s
⌋
+
1
i
=
size
of
input
o
=
size
of
output
p
=
p
a
d
d
i
n
g
k
=
size
of
kernel
s
=
s
t
r
i
d
e
s
(
3
)
o=\left\lfloor\frac{i+2p-[(k-1)d+1]}{s}\right\rfloor+1 \quad \begin{array}{l} \\i=\textit{size of input}\\o=\textit{size of output}\\p=padding\\k=\textit{size of kernel}\\s=strides\end{array}\quad (3)
o=⌊si+2p−[(k−1)d+1]⌋+1i=size of inputo=size of outputp=paddingk=size of kernels=strides(3)
6.2 计算示例
下图中,i=7, stride=1, padding=0, k=3, dilation rate=2
。
将已知条件代入
公式
(
2
)
公式(2)
公式(2),可得:
k
′
=
(
k
−
1
)
d
+
1
=
(
3
−
1
)
∗
2
+
1
=
5
k'=(k-1)d+1=(3-1)*2+1=5
k′=(k−1)d+1=(3−1)∗2+1=5
可以理解为 kernel size
从3x3 变成了5x5,只是原来的3x3的位置有权值,其余位置均为0。
将已知条件代入
公式
(
3
)
公式(3)
公式(3),计算输出特征图尺寸为:
o
=
⌊
7
−
0
−
[
(
3
−
1
)
∗
2
+
1
]
1
⌋
+
1
=
3
o=\left\lfloor\frac{7-0-[(3-1)*2+1]}{1}\right\rfloor+1=3
o=⌊17−0−[(3−1)∗2+1]⌋+1=3
7. Dilated Convolution
的应用
Dilated Convolution
代替了传统的 max-pooling
和 strided convolution
,能够增大感受野,并保持 feature map
的尺寸和原始图片大小。
Dilated Convolution
的好处是不做pooling损失信息的情况下,加大了感受野,让每个卷积输出都包含较大范围的信息。在图像需要全局信息或者语音文本需要较长的sequence信息依赖的问题中,都能很好的应用 Dilated Convolution
,比如图像分割[3]、语音合成WaveNet[2]、机器翻译ByteNet[1]中。
8. Dilated Convolution
存在的问题
-
栅格效应(The Gridding Effect)
如果我们叠加多个相同的
Dilated Convolution
,会发现感受野中有很多像素没有利用上,出现大量空洞。此时,会丢失数据之间的连续性和完整性,不利于学习。如下图所示,展示了连续进行3次相同Dilated Convolution
的效果(卷积核大小为3x3,dilation rate
=2)。
-
Long-ranged information might be not relevant
Dilated Convolution
的设计是为了获取long-range-information
,有些长距离信息和当前点是完全不相关的,会影响数据的一致性。并且,仅采用大的 dilation rate 的信息,可能对大物体有较好的分割效果,而对小物体可能有弊无利。如何同时处理好大物体和小物体的关系,则是设计好Dilated Convolution
网络的关键。
9. 混合膨胀卷积 (HDC)
混合膨胀卷积 (Hybrid Dilated Convolution
,HDC)。
-
不同的卷积层使用不同的
dilation rate
。对于一组Dilated Convolution
,设置不同的dilation rate
,且dilation rate
逐渐增大。例如,3个卷积核可以分别设置dilation rate
为 [1, 2, 4]。这样最后一层有比较大的感受野,同时不会丢失大量的局部信息。如下图所示:
-
使多个
Dilated Convolution
后的感受野内不存在空洞。假设有n个膨胀卷积核,dilation rate
分别是 [r1, r2,…, rn]。如果 [r1, r2,…, rn] 能使下式成立,则说明感受野不会存在空洞。
上式中的 M i M_i Mi 指的是第 i 层可以使用的最大的dilation rate
,K是卷积核尺寸。
三、相关经验
1. GrabAR
GrabAR: Occlusion-aware Grabbing Virtual Objects in AR
附件:Supplementary material, A. GrabAR-Net architecture details
四、参考文献
[1] Kalchbrenner N, Espeholt L, Simonyan K, et al. Neural machine translation in linear time[J]. arxiv preprint arxiv:1610.10099, 2016.
[2] Oord A, Dieleman S, Zen H, et al. Wavenet: A generative model for raw audio[J]. arxiv preprint arxiv:1609.03499, 2016.
[3] Long J, Shelhamer E, Darrell T. Fully convolutional networks for semantic segmentation[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2015: 3431-3440.
[4] Yu F, Koltun V. Multi-scale context aggregation by dilated convolutions[J]. arXiv preprint arXiv:1511.07122, 2015.