语义分割（Deeplab V3+补充知识）

FCN

FCN（Fully Convolutional Networks for Semantic Segmentation，2014）是语义分割领域的开山之作，顾名思义其特点就是网络中只有卷积层，没有全连接层。它能够实现端到端的像素级别分类，从下图可以大概了解它的整体结构。

FCN的核心思想包括三方面：

• 使用卷积代替全连接层，使得网络可以适应任意尺寸的输入；
• 网络后期使用反卷积进行上采样操作，使得网络的输出恢复到输入尺寸大小，从而进行像素级别的分类；
• 添加 skip connection，联结 low-level 的降采样特征和 high-level 的上采样层，用以优化预测结果。

2.1 网络结构

论文中首先是给出 AlexNet 来讲解FCN的思路，然后对比了 VGG-16、GoogLeNet 作为 backbone 时的效果，最终发现 VGG-16 的 mean IU 值是最高的。上图给出了基于 VGG-16 改造后的FCN详细结构，对比 VGG-16 可以发现，FCN改变的就是最后的三个全连接层以及增加的反卷积和skip connection。

首先，VGG-16 中使用5个maxpool，每一次使得特征图的尺寸减半。这里我们采用OS（Output stride）来表示特征图与输入图像的大小关系，例如进行一次maxpool之后特征尺寸减小为输入图像的一半，那么 OS=2。

三个全连接分别被4096个7x7卷积、4096个1x1卷积、num_classes个1x1卷积代替。
两次skip connection分别与maxpool4、maxpool3的输出特征相连接，因为通道数不一样（最终的通道数为num_classes），所以需要用1x1卷积来调整通道数（图中以num_classes=21为例）。

这里的连接并不是concat，而是求和；经过反卷积（upsampling）的high-level特征图与经过maxpool、1x1卷积调整之后的low-level特征图理论上具有完全相同的尺寸、通道，所以直接将对应元素求和是可以的。

heatmap总共有num_classes个，每一个都和输入图像拥有相同的尺寸大小，它代表了每一个像素属于一个类的概率，最终取每一个像素的最大概率值作为其归属类。
虽然有FCN-32s、FCN-16s、FCN-8s三种不同的输出，但是论文证明FCN-8s的精度是最好的，这也体现了skip connection的意义。

2.2 损失函数

因为是像素级别的分类，对于FCN来说每一个像素点就是一个样本。将batch_size设置为1，也就是说一次送入一张图，然后对每一个像素的预测类和真实的标签求softmax loss。这里，train和inference稍有区别，inference是直接取每一个像素点的num_classes维向量最大值对应的类，train则是对这个num_classes维向量进行softmax操作，然后求entroy_loss。

这种像素级别的交叉熵损失，将每一个像素点的损失同等对待，但当图像中某一类占主导地位时这种“同一对待”的方式就会显得不太合理。后来的U-Net就给不同的像素损失加以权重辅助，赋予在分割目标边界的像素更高的权重，这种加权损失思想帮助U-Net模型在应对生物学图像的细胞时能够提供边界分明的分割图，从而使得每个细胞个体间的区分更加容易。

另外一种语义分割损失函数的定义就是“Dice coefficient”，它利用heatmap在矩阵级别上与label进行loss的计算，其实跟交叉熵类似，只是交叉熵从像素的通道方向入手，“Dice coefficient”则考虑整体的像素分布。关于“Dice coefficient”的细节内容可以查看上面综述中的第一部分。

Deeplab V3+

3.1 网络结构

Deeplab V3+也采用了“encode-decode”的方式，所以可以对比FCN的网络来看。Deeplab V3+将Deeplab V3作为自己的 encoder，它沿袭了后者的一些创新项，同时也做了一些优化：
Deeplab V3+也采用了“encode-decode”的方式，所以可以对比FCN的网络来看。Deeplab V3+将Deeplab V3作为自己的 encoder，它沿袭了后者的一些创新项，同时也做了一些优化：

• ASPP：Deeplab V3+并不是像FCN的VGG-16那样一味地进行“卷积-池化”，它采用的是ASPP结构：A表示的是“Atrous”，就是空洞卷积；SPP指的就是空间金字塔池化。这两者并不是Deeplab V3+的首创，把它们结合起来Deeplab也做过了，Deeplab V3+继承了该部分内容。空洞卷积使用了三次，从上图也能清晰的看到，分别是 rate = [ 6 , 12 , 18 ] rate=[6,12,18] rate=[6,12,18]，要注意的是这是针对 OS=16 的情况，如果 OS=8 则需要将每一个空洞卷积的rate 乘以2；池化操作使用的是平均池化。ASPP得到五个尺度相同、通道数不同的特征图，用concat的方式直接拼接后接一个1x1卷积调整通道数。ASPP部分是接在backbone之后的，Deeplab V3+的backbone采用的是ResNet和Xception两种形式，从最终结果上来看Xception要稍微好于ResNet，当然也可以使用其他的backbone形式，比如说轻量化的MobileNet。
• Atrous separable convolution：Deeplab V3中采用了 atrous conv（空洞卷积）来提取特征，这个和FCN是完全不同的；它的优势在于可以获得更大的感受野，同时能得到任意分辨率的特征图像。空洞卷积的感受野由参数 rate 控制，当 rate=1 时就和普通卷积没区别。Deeplab V3+在空洞卷积的基础上引入Depthwise separable convolution（通道分离卷积）的思想（先用input_c个3x3x1卷积对每个通道进行计算，然后用output_c个x1xinput_c卷积做标准卷积计算），在Xception中使用 atrous separable convolution，大大降低了参数量和计算开销，获得了速度和精度上的提升。
• Decoder：Deeplab V3+的decoder部分要优于Deeplab V3的双线性插值，这是Deeplab V3+的创新点所在，可以将之前的encoder看作是对上下文信息的编码，decoder则负责将编码的信息解码得到特征。Deeplab V3+的decoder首先采用因子为4的双线性上采样将编码特征从OS=16变为OS=4，然后抽取encoder中具有相同空间分辨率（low-level）的特征层（例如ResNet101中的conv2），做一个skip connection。因为low-level的特征通道数可能比较大（例如256/512），可能会超过输出编码特征的通道数(ResNet101输出 256 channels) 导致训练困难；作者采用1x1卷积对其进行调整，实验证明调整为 channels=48 效果是最好的。skip connection 采用的是concat操作，之后会进行两次3x3卷积，它们是用来优化特征的，实验证明采取2个3x3卷积的效果最好的。在这个卷积之后的特征通道数并不是我们期待的类别数量，所以要用1x1卷积来调整；最后再加上一个上采样操作，将特征尺寸变为和原始图像尺寸一致，这时每个像素就拥有一个代表类概率的向量了。
• Xception：受到MSRA提出的 Aligned Xception 的启发，Deeplab V3+对backbone网络
  Xception 也做了一些优化。首先，加深网络但是不修改它的“entry flow”部分，为的是保证高效的计算效率；其次，将maxpool操作用atrous separable convolution代替，获取任意分辨率的特征；还有就是，在每个分离卷积后面添加BN和ReLu操作。实验证明，优化后的Xception效果无论是Top1还是Top5都要比ResNet101好。

Deeplab V3+ 定义 encoder 的输入图像空间分辨率和输出图像空间分辨率之比为输出步长（output stride，简写为OS）。一般情况下，图像分类任务中会取 OS=32，表示输出的特征空间分辨率是很小的；但是在语义分割任务中，OS=16 或 OS=8（这在FCN中也能看到），OS如果太大表示丢失的边缘细节会更多，即便进行上采样恢复到输入图像分辨率大小其效果也不会很好。作者通过实验对比说明：OS=16时精度和速度上取得较好的平衡；OS=8时精度更高，但是计算复杂度增加。

3.2 损失函数

Deeplab V3+的损失函数跟FCN是一样的，也是逐像素的交叉熵损失。