TensorFlow2实现空间自适应归一化（Spatial Adaptive Normalization, SPADE）(1)

---

空间自适应归一化(Spatial Adaptive Normalization, SPADE)是GauGAN中的主要创新点，其用于语义分割图的层归一化，为了更好的解释SPADE，需要首先了解GauGAN网络输入——语义分割图。

使用独热编码标记分割蒙版

考虑训练GauGAN所用的Facades数据集。其中，分割图在RGB图像中被编码为不同的颜色，如下图所示。例如，一堵墙以蓝色表示，柱子以红色表示。这种表示在视觉上让我们易于理解，但对神经网络的学习并没有帮助，这是因为对于GAN而言，颜色没有语义。

颜色在颜色空间中更接近并不意味着它们在语义上也接近。例如，我们可以用浅绿色表示草，用深绿色表示飞机，即使分割图的色相接近，它们的语义也不相关。

因此，我们应该使用类标签，而不是使用颜色来标记像素。但是，这仍然不能解决问题，因为类别标签是随机分配的数字，并且它们也没有语义。因此，一种更好的方法是在该像素中存在对象时使用标签为1的分割蒙版，否则使用标签为0的分割蒙版。换句话说，我们将分割图中的标签独热编码为形状(H, W, number of classes)的分割蒙版。

在JPEG编码中，在压缩过程中会删除一些对视觉效果不太重要的视觉信息。即使结果像素应该属于同一类并且看起来是相同的颜色，它们也可能具有不同的值。因此，我们无法将JPEG图像中的颜色映射到类。为了解决这个问题，我们需要使用未压缩的图片格式BMP。在图像加载和预处理中，我们将加载文件，并将它们从BMP转换为独热编码的分割蒙版。

有时，TensorFlow的基本图像预处理API无法执行一些复杂的任务，因此我们需要使用其他Python库，tf.py_function允许我们在TensorFlow训练流程中运行通用Python函数：

def load(image_file):

def load_data(image_file):

jpg_file = image_file.numpy().decode(‘utf-8’)

bmp_file = jpg_file.replace(‘.jpg’, ‘.bmp’)

png_file = jpg_file.replace(‘.jpg’, ‘.png’)

image = np.array(Image.open(jpg_file))/127.5-1

map = np.array(Image.open(png_file))/127.5-1

labels = np.array(Image.open(bmp_file), dtype=np.uint8)

h,w,_ = image.shape

n_class = 12

mask = np.zeros((h,w,n_class),dtype=np.float32)

for i in range(n_class):

one_hot[labels==i,i] = 1

return map, image, mask

[mask, image, label] = tf.py_function(load_data, [image_file], [tf.float32, tf.float32, tf.float32])

了解了独热编码的语义分割掩码的格式后，我们将使用TensorFlow2实现SPADE。

实现SPADE

实例归一化已在图像生成中非常流行，但是它往往会削弱分割蒙版的语义：假设输入图像仅包含一个分割标签；例如，假设整个图像都是天空，由于输入具有统一的值，因此输出在通过卷积层后也将具有统一的值。

实例归一化为每个通道计算跨维度(H, W)的平均值。因此，该通道的均值将是相同的统一值，并且用均值减去后的归一化激活将变为零。显然，语义已经丢失，这是一个十分极端的示例，但是逻辑是相似的，我们可以看到分割掩码随着其面积的增大而失去了其语义含义。

为了解决这个问题，SPADE规范化了由分割蒙版限定的局部区域，而不是整个蒙版。下图显示了SPADE的体系结构：

在批归一化中，计算跨维度(N, H, W)的通道的均值和标准差，对于SPADE来说是相同的。区别在于，每个通道的γ和β不再是标量值，而是二维向量，形状为(H, W)。换句话说，对于每个从语义分割图中获悉的激活，都有一个γ和β值。因此，归一化被不同地应用于不同的分割区域。这两个参数是通过使用两个卷积层来学习的，如下图所示：

SPADE不仅应用于网络输入阶段，同样还应用于内部层。现在，我们可以为使用TensorFlow2的自定义层实现SPADE。

将首先在__init__构造函数中定义卷积层，如下所示：

class SPADE(layers.Layer):

def init(self, filters, epsilon=1e-5):

super(SPADE, self).init()

self.epsilon = epsilon

self.conv = layers.Conv2D(128, 3, padding=‘same’, activation=‘relu’)

self.conv_gamma = layers.Conv2D(filters, 3, padding=‘same’)

self.conv_beta = layers.Conv2D(filters, 3, padding=‘same’)

接下来，获得激活图尺寸，以在以后调整大小时使用：

def build(self, input_shape):

self.resize_shape = input_shape[1:3]

最后，在call()中将层和操作连接在一起，如下所示：

现在能在网上找到很多很多的学习资源，有免费的也有收费的，当我拿到1套比较全的学习资源之前，我并没着急去看第1节，我而是去审视这套资源是否值得学习，有时候也会去问一些学长的意见，如果可以之后，我会对这套学习资源做1个学习计划，我的学习计划主要包括规划图和学习进度表。

分享给大家这份我薅到的免费视频资料，质量还不错，大家可以跟着学习

小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数初中级Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Python爬虫全套学习资料》送给大家，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

由于文件比较大，这里只是将部分目录截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频

如果你觉得这些内容对你有帮助，可以添加下面V无偿领取！（备注：python）

负担。**

由于文件比较大，这里只是将部分目录截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频

如果你觉得这些内容对你有帮助，可以添加下面V无偿领取！（备注：python）
[外链图片转存中…(img-UUPfyKfV-1710880852760)]