DFN

1.视频教程：
B站、网易云课堂、腾讯课堂
2.代码地址：
Gitee
Github
3.存储地址：
Google云
百度云：
提取码：

---

DFN-Tensorflow版本

---

解释一下BorderNetWork是如何起作用的，是如何进行融合的，有问题，欢迎交流

1.先看损失函数

# -*- coding: utf-8 -*-

import tensorflow as tf

def pw_softmaxwithloss_2d(y_true, y_pred):
	
	exp_pred = tf.exp(y_pred)
	
	try:
		
		sum_exp = tf.reduce_sum(exp_pred, 3, keepdims=True)
	
	except:
		
		sum_exp = tf.reduce_sum(exp_pred, 3, keep_dims=True)
	
	tensor_sum_exp = tf.tile(sum_exp, tf.stack([1, 1, 1, tf.shape(y_pred)[3]]))
	softmax_output = tf.div(exp_pred, tensor_sum_exp)
	ce = - tf.reduce_mean(y_true * tf.log(tf.clip_by_value(softmax_output, 1e-12, 1.0)))
	
	return softmax_output, ce

def focal_loss(y_true, y_pred, alpha=0.25, gamma=2.0):
	
	try:
		
		pk = tf.reduce_sum(y_true * y_pred, 3, keepdims=True)
	
	except:
		
		pk = tf.reduce_sum(y_true * y_pred, 3, keep_dims=True)
	
	fl = - alpha * tf.reduce_mean(tf.pow(1.0 - pk, gamma) * tf.log(tf.clip_by_value(pk, 1e-12, 1.0)))
	
	return fl

总共有两个损失函数def pw_softmaxwithloss_2d(y_true, y_pred)和def focal_loss(y_true, y_pred, alpha=0.25, gamma=2.0)

# loss1
def pw_softmaxwithloss_2d(y_true, y_pred)

# loss2
def focal_loss(y_true, y_pred, alpha=0.25, gamma=2.0)

2.看网络

整个DFN网络分Border Network 和 Smooth Network两个子网络

Smooth Network网络用于图像分割，使用的是loss是pw_softmaxwithloss_2d(y_true, y_pred)
Border Network网络用于图像分割，使用的是loss是focal_loss(y_true, y_pred, alpha=0.25, gamma=2.0)

这里我们从两个loss可以看到，Border Network 和 Smooth Network网络的输出一样的特征图y_pred

# 随机生成输入数据
image = torch.randn(1, 3, 512, 512)
# 定义网络
net = DFN(21)
net.eval()
# 前向传播
res1, res2 = net(image)
# 打印输出大小
print('-----'*5)
print(res1.size(), res2.size())
print('-----'*5)

然后两个子网络结合标签y_true计算出loss

下面是真正训练时候的loss设计

	def loss(self):
		
		######### -*- Softmax Loss -*- #########
		self.softmax_b1, self.ce1 = pw_softmaxwithloss_2d(self.Y, self.b1)
		self.softmax_b2, self.ce2 = pw_softmaxwithloss_2d(self.Y, self.b2)
		self.softmax_b3, self.ce3 = pw_softmaxwithloss_2d(self.Y, self.b3)
		self.softmax_b4, self.ce4 = pw_softmaxwithloss_2d(self.Y, self.b4)
		self.softmax_fuse, self.cefuse = pw_softmaxwithloss_2d(self.Y, self.fuse)
		self.total_ce = self.ce1 + self.ce2 + self.ce3 + self.ce4 + self.cefuse
		
		######### -*- Focal Loss -*- #########
		self.fl = focal_loss(self.Y, self.o, alpha=self.alpha, gamma=self.gamma)
		
		######### -*- Total Loss -*- #########
		self.total_loss = self.total_ce + self.fl_weight * self.fl

可以看到

self.total_loss = self.total_ce + self.fl_weight * self.fl

所以这就是双网络融合，通过loss融合达到双网络的“融合”训练
使用focal loss监督Border Network的输出
Border Network，因为Border Network的网络设计更关注边界，所以叫Border Network

整体解释图

---

这里再做一个强调

	def loss(self):
		
		######### -*- Softmax Loss -*- #########
		1.self.softmax_b1, self.ce1 = pw_softmaxwithloss_2d(self.Y, self.b1)
		2.self.softmax_b2, self.ce2 = pw_softmaxwithloss_2d(self.Y, self.b2)
		3.self.softmax_b3, self.ce3 = pw_softmaxwithloss_2d(self.Y, self.b3)
		
		4.self.softmax_b4, self.ce4 = pw_softmaxwithloss_2d(self.Y, self.b4)
		5.self.softmax_fuse, self.cefuse = pw_softmaxwithloss_2d(self.Y, self.fuse)
		6.self.total_ce = self.ce1 + self.ce2 + self.ce3 + self.ce4 + self.cefuse
		
		######### -*- Focal Loss -*- #########
		7.self.fl = focal_loss(self.Y, self.o, alpha=self.alpha, gamma=self.gamma)
		
		######### -*- Total Loss -*- #########
		self.total_loss = self.total_ce + self.fl_weight * self.fl
	

看上图的loss，我们可以看到1-6行和第7行都是self.Y，所以两个子网络都是用的一样的标签（t_true）

---

---

• DFN-Model(pytorch版本)
• DFN-Tensorflow版本

---

• 1.一 论文导读
• 2.二 论文精读
• 3.三 代码实现
• 4.四 问题思索
• 5.五 实验参数设置
• 6.六 额外补充

《Learning a Discriminative Feature Network for Semantic Segmentation》
—待写
作者：Changqian Yu, etc
单位：华中科技大学&北京大学
发表会议及时间：CVPR 2018

Submission history
From: Changqian Yu [view email]
[v1] Wed, 25 Apr 2018 03:49:30 UTC (3,721 KB)

https://arxiv.org/abs/1804.09337

---

注意力机制通俗的讲就是把注意力集中放在重要的点上，而忽略其他不重要的因素。其中重要程度的判断取决于应用场景，具备注意力机制的神经网络可更好的进行自主学习。

---

注意力机制包含两个步骤:
1．注意力机制需要先决定整段输入的哪个部分需要更加关注
2．从关键的部分进行特征提取，得到重要的信息

---

按注意力的关注域，可分为:
空间域(spatial domain)
通道域(channel domain)
层域(layer domain)
混合域(mixed domain)
时间域(time domain)

注意力机制可以帮助模型为输入图像的各个部分分配不同的权重，提取更关键、更重要的信息,使模型能够做出更准确的判断，同时不会给模型的计算和存储带来更多的消耗。

---

• Abstract
  Most existing methods of semantic segmentation still suffer from two aspects of challenges: intra-class inconsistency and inter-class indistinction. To tackle these two problems, we propose a Discriminative Feature Network (DFN), which contains two sub-networks: Smooth Network and Border Network. Specifically, to handle the intra-class inconsistency problem, we specially design a Smooth Network with Channel Attention Block and global average pooling to select the more discriminative features. Furthermore, we propose a Border Network to make the bilateral features of boundary distinguishable with deep semantic boundary supervision. Based on our proposed DFN, we achieve state-of-the-art performance 86.2% mean IOU on PASCAL VOC 2012 and 80.3% mean IOU on Cityscapes dataset.

---

微观角度:每一个像素都对应一个具体类别

宏观角度:将语义分割看作一个任务，将一致的语义标签分配给一类事物，而不是每个像素。按照这一角度，语义分割中就会存在类间不一致和类内不一致的问题

宏观应用:以语义地图为例。交通信号灯在点云地图中，它们只是三维形状，有坐标位置、朝向或车道应用范围等信息，这些信息并不足以帮助自动驾驶车辆做出行驶决策，因为交通灯还可能有红灯或绿灯等各种状态。这时语义地图就能够发挥作用，它能够辅助车辆的感知和规划系统判定交通信号灯的状态，这就是语义地图与其他地图的区别所在

---

一 论文导读

Border Network

• 1.主要思想:利用多监督，使网络学习到的特征具有很强的类间不一致性。利用bottom-up结构，获取更多的语义信息
• 2.优点:该模块可以从低阶网络获得边界信息,从高阶网络获得语义信息，再融合,避免缺失某类信息的情况出现。高阶语义信息具有优化低阶边缘信息的作用
• 3.使用focal loss监督Border Network的输出。

二 论文精读

三 代码实现

---

损失

---

Boeder Network

• 1.主要思想:利用多监督，使网络学习到的特征具有很强的类间不一致性。利用bottom-up结构，获取更多的语义信息
• 2.优点:该模块可以从低阶网络获得边界信息，从高阶网络获得语义信息，再融合，避免缺失某类信息的情况出现。高阶语义信息具有优化低阶边缘信息的作用
• 3.使用focal loss 监督Border Network的输出

四 问题思索

五 实验参数设置

• 1.损失函数: loss = CrossEntropy + λ FocalLoss
  λ={0.05, 0.1,0.5,0.75，1}，论文结论λ =0.1时效果最好
• 2.优化器: SGD + momentum=0.9
• 3.学习率: 0. 0001(“poly"，power=0. 9)
• 4.batchsize :32
• 5.数据预处理:mean subtraction, 随机水平翻转，{0. 5，0.75，1，1.5，1.75}比例缩放

六 额外补充

SLAM:同步定位与建图
SLAM (simultaneous localization and mapping),也称为CML (ConcurrentMapping and Localization)，即时定位与地图构建，或并发建图与定位。问题可以描述为:将一个机器人放入未知环境中的未知位置，是否有办法让机器人一边移动一边逐步描绘出此环境完全的地图，所谓完全的地图(a consistent map)是指不受障碍行进到房间可进入的每个角落。SLAM的意义是实现机器人的自主定位和导航