语义分割发展现状

TechMasterPlus

已于 2024-01-15 22:15:22 修改

阅读量1.2k

点赞数 19

分类专栏：图像分割文章标签：深度学习

于 2024-01-12 21:12:53 首次发布

本文链接：https://blog.csdn.net/qq_46644680/article/details/135561797

版权

图像分割专栏收录该内容

6 篇文章 0 订阅

订阅专栏

语义分割是对图像中的每一个像素进行分类，目前广泛应用于医学图像与无人驾驶等。从这几年的论文来看，这一领域主要分为有监督语义分割、无监督语义分割、视频语义分割等。

语意分割究竟有什么用呢？似乎看起来没有目标检测/跟踪等应用范围广。
数据问题：分割不像检测等任务，只需要标注一个bbs就可以拿来使用，分割需要精确的像素级标注，包括每一个目标的轮廓等信息；
计算资源问题：个人觉得太吃backbone，这就说明了如果要想得到较高的精度就需要使用类似于ResNet101等深网络。同时，分割预测了每一个像素，这就要求feature map的分辨率尽可能的高，这都说明了计算资源的问题，加GPUGPUGPU.....，虽然也有一些轻量级的网络，但精度还是太低了，期待类似于YOLO/SSD这样的工作能在分割中出现；
精细分割：查看cityscape结果可以看出，很多算法的像道路、建筑物等类别，分割精度很高，能达到98%，而对于细小的类别，像行人、交通等等，由于其轮廓太小，而无法精确的定位轮廓，造成精度较低；
上下文信息：分割中上下文信息很重要，否则会造成一个目标被分成多个part，或者不同类别目标分类成相同类别；

非深度学习方法：经典的特征+forst/boost+CRF的分割pipline，但是每一个分类器一般只针对单一的类别设计，如果分割类别数很多，会造成计算复杂，训练难度大的问题。并且非深度学习方法受特征的限制较大，精度一直没有增加很多。
深度学习方法：自2014年的FCN与Deeplabv1的提出，近几年深度学习语义分割方法进步明显，并且深度学习方法可以直接预测多类别目标，这克服了非深度学习方法的单类别的限制，但对于但类别问题，仍然是深度学习方法好，如道路分割等。

encoder-decoder方法：与经典的FCN中的skip-connection思想类似，encoder为分类网络，用于提取特征，而decoder则是将encoder的先前丢失的空间信息逐渐恢复，decoder的典型结构有U-Net/segnet/refineNet，该类方法虽然有一定的效果，能恢复部分信息，但毕竟信息已经丢失了，不可能完全恢复。
dialed FCN方法：deeplabv1提出的方法，将vgg的最后的两个pool层步长置为1，这样网络的输出分辨率从1/32变为1/8。可以保留更多的细节信息，同时也丢掉了复杂的decoder结构，但这种方法计算量大。
二分支轻量化分割方法：2020年提出BiseNet，三分支网络

mIoU:这个指标是应用最多的，也是目前排名分割算法的依据。IoU就是每一个类别的交集与并集之比，而mIoU则是所有类别的平均IoU。论文均使用这一指标比较。
speed:由于有些分割算法是针对实时语义分割设计的，所以速度也是一个很重要的评价指标，当然评价速度需要公平比较，包括使用的图像大小、电脑配置一致。
当然还有其他指标，如pixel accuracy、mean accuraccy等。

其中(k+1)为类别数，pii表示TP，pij表示FN，pji表示FP（i表示真实类别，j表示其他类别），则每一个类别的IoU可以看作，IoU=TP/(TP+FN+FP).

以三个类别为例，如下是一个混淆矩阵：

对于类别1：TP=43，FN=7，FP=2；类别2：TP=45，FN=5，FP=6；类别3：TP=49，FN=1，FP=5.因此：IoU1=43/(43+2+7)=82.69%，IoU2=45/(45+5+6)=80.36%，IoU=49/(49+1+5)=89.09%，因此mIoU=84.05%.其实就是矩阵的每一行加每一列，再减去重复的TP。

常用数据集

目前语义分割领域使用的数据集较多，这里主要介绍3个数据集，VOC2012/Cityscape/CamVid，所有数据集均没有达到饱和，仍有很大发展空间，无论在准确性还是实时性。

忽视标签(ignore label)

在介绍数据集之前，先来了解一下忽视标签的概念与作用。忽视标签从字面上理解，就是该标签不用于计算损失，也不用于计算精度。以一个三个类别的例子为例。

该例子，包含3个目标类别，1个背景类别，1个忽视类别。

标签可以设置为：0,1,2,3,4

其中，0代表背景，1-3代表目标类别，4代表忽视目标。

那么，目标类别数到底该设为多少呢？4还是5。

这里我看了很多地方，最简单的方式就是设置为4，这样训练过程中，4这个类别将不计算损失，同时我们也不需要进行预测argmax。

VOC2012

第1个数据集介绍VOC，相信做视觉的人都知道这个数据集，里面包括很多任务，包括目标检测、语义分割等。VOC:Main.

原始VOC2012数据集：1464训练集，1449验证集，1456测试集。经过加强的数据集，包含10582训练集，1449验证集，1456测试集。目前论文结果均使用后者进行训练。该数据集特点包括：

数据集包含21类别目标，20类目标+1类背景，分辨率大小不完全相同，为此训练过程为了能处理batch图像，因此需要将图像固定到某一大小，deeplab里面使用321大小。
该数据集中，label处理时发现并没有忽视标签，均在0-21之间，因此不需要设置忽视标签。在deeplab版本里作者将ignore_index设为255，标签里面本来就没有255，设不设置没关系.
每幅图像包含的目标类别很少，但每个目标的轮廓还是比较复杂，因此，该数据集的分割精度没有想象中那么高。

第3个数据集是2016提出的用于自动驾驶的数据集Cityscape:Main，

M. Cordts, M. Omran, et al. The Cityscapes Dataset for Semantic Urban Scene Understanding.//CVPR 2016.

训练集2975，验证集500，测试集1525。训练集与验证集包括Fine annotations以及额外的19998个coarse annotations，可以于训练集一起训练。测试集标注没有公开。数据集主要特点包括：

标签包括：'name'/'id'/'trainId'/'category'/'catId'/'hasInstances'/'ignoreInEval'/'color '等，'id'是原始的标注id，而'trainId'是用于训练的Id，'ignoreInEval'为忽视对象。
原始的标注包括35类，其中有16类为在评测中忽视的类别，因此训练时候只有19类，因此标签可以设置为0-18，验证的时候也可以使用0-18。如果要测试，则需要将0-18反变化回原始标签。
原始标注文件包括：color.png/instanceIds.png/labelIds.png/polygons.json四个文件，其中，labelIds.png文件为原始标注，因此需要将该文件转换为trainIds，可以参考labels.py和preparation，转换后忽视标签为255，而其他标签为0-18，这样训练过程使用19类目标，忽视255。在处理过程中，可以将mask[index==255] = -1，这样损失函数不会计算。或者计算softmax损失的时候设置ignore_index=255。
图像分辨率较大，1024*2048，如果使用原图训练，计算量太大，一般会crop一定的大小，但也不能太小，太小效果很差，猜想：这也是这个数据集精度很难提升的一个原因。
从提交的评测结果可以看出，基本都是深度学习方法(没有全部过一遍)。传统算法在这种环境复杂的交通场景做分割难度还是太大了。
每幅图像涵盖的目标类别较多，同时，存在很多细小目标，使得分割难度进一步增大。

CamVid发展状况：由于CamVid这个数据集使用的人不多，也没有专门管理，以下是我收集的几个算法的结果：

Arxiv 2016 ENet 51.3%，Titan X上640×360分辨率可以达到135.4fps，有望上ARM，但精度的确很低；
PAMI 2017 SegNet 55.6%，Titan X上640×360分辨率可以达到14.6fps，精度仍然很低；
Arxiv 2017 LinkNet 55.8%，encoder-decoder结构，ResNet18+反卷积；
ECCV 2018 BiseNet 68.7%，精度有较高提升，Titan X上640×360分辨率可以达到129.4fps，实时性与ENet接近，但精度提升了很多；
VOC2012发展状况：VOC提交的结果较多，以下总结近几年的STOA:

现在的VOC语义分割也基本上被深度学习霸版，当然还有其他很多算法，这里只列了部分；
目前最好的结果基于Deeplabv3+，在JFT上预训练，89.0%；
2015年的FCN 62.2%，在视觉领域占有很高的地位，CVPR论文引用量排第二；
2015年STOA为Deeplabv1，71.6%，CRF+FCN；
2016年STOA是Deeplabv1的延伸Deeplabv2，79.7%，Resnet101+Aspp;
2017年STOA，PSPNet 85.4%/RefineNet 84.2%/Deeplabv3 85.7，三个算法有了进一步突破；
2018年STOA是Deeplabv3+，87.8% ，Dailed ConV+encoder-decoder；
语义分割，google(deeplab系列)和Face++(GCN/DFN/Exfuse)，出力不少啊；

Cityscape发展状况：提交的结果较多，以下总结近几年的论文情况:

同样基本上被深度学习霸版，目前最好结果科大讯飞83.6%;
由于Cityscape是2016年出的数据集，很多算法补上去的，FCN 65.5%/Deeplabv1 63.1%/deeplabv2 70.4%，其他实时语义分割算法，ENet 58.3%/Segnet 55.6%；
2017年的STOA是Deeplabv3 81.3%，PSPNet与RefineNet结果也挺好；
2018年的STOA是DRN 82.8%，RNN+FCN;
该数据集2017、2018提交结果逐渐增多，且上面很多结果都是匿名或者是公司提交，并没有发表论文等，因此很难考究；
今年精度提升不多，前几名差距很小，期待更有效地结构出现。

以上是截止2018/11/7自己看了大量论文后统计的结果，表格里面只是少数，是我个人觉得比较有代表性的算法。