全景分割网络UPSNet－网络结构分析

最新推荐文章于 2024-08-28 08:36:08 发布

Turtlelin007

最新推荐文章于 2024-08-28 08:36:08 发布

阅读量3.9k

点赞数 7

分类专栏：计算机视觉文章标签：全景分割实例分割语义分割计算机视觉目标检测

本文链接：https://blog.csdn.net/weixin_37142859/article/details/90204051

版权

计算机视觉专栏收录该内容

10 篇文章 0 订阅

订阅专栏

文章目录

UPSNet网络结构

论文： https://arxiv.org/pdf/1901.03784.pdf
代码： https://github.com/uber-research/UPSNet

UPSNet网络结构

UPSNet总体结构如下图所示，包含RPN、PymaridMaskTarget生成、Semantic Segmentatin Head、Instance Segmentation Head和Panoptic Segmentation Head。

Backbone Network:特征提取采用ResNet-FPN
RPN:判断Proposals是否为前景，并生成bbox的坐标变换系数
PymaridMaskTarget生成：本部分不含计算参数，用于生成前景rois
Semantic Segmentation Head:包含FCN-Head,语义分割分支
Instance Segmenation Head:包含RCNN,Mask Branch,预测实例的mask
Panoptic Segmentation Head:包含SegTerm和MaskTerm，处理整合语义预测和实例的预测

以下逐一介绍各个部件

1. ResNet-FPN

特征的提取采用ResNet后接FPN，FPN的使用充分利用了不同level特征。简图和详细的结构图如下。ResNet每个block的输出（记为 $P_2$ 、 $P_3$ 、 $P_4$ 、 $P_5$ ），分别进入一个[conv(1*1, 256)、BN]，统一了Channel的个数。

除 $P_5$ 外， $P_i$ 与其上一级 $P_{i+1}$ 的两倍上采样结果相加，即 $P_i = P_i+UpSample(P_{i+1},2)$ ;
$P_i$ 进入[conv(3*3, 256), BN], 得到 $FPN\_P_i$ ;
$P_6$ 则是 $P_5$ 通过一个步长为2，size为1*1的最大池化得到。

整个模块的输出为：

分支名称	channel数	H	W
$FPN\_P_2$	256	1/4	1/4
$FPN\_P_3$	256	1/8	1/8
$FPN\_P_4$	256	1/16	1/16
$FPN\_P_5$	256	1/32	1/32
$FPN\_P_6$	256	1/64	1/64

2. RPN

RPN是用来生成判断proposal是否为roi的子网络，FPN的每一个分支 $FRN\_P_i$ 都经过RPN,得到了特征图单个像素点对应anchor的三个信息：

该anchor是前景的分数
该anchor是前景的概率
该anchor和实际gt bounding-box四个坐标的变化参数

由于每个像素点生成的anchor数为3，因此channel为3， box的Channel则为4*3=12.
网络结构如下图所示：

3. PyramidMaskTarget生成

3.1 PyramidProrosal

该层不含训练参数，单纯从不同大小的features maps中用于生成proposals，并筛选得到最有可能包含roi的2000（随设置参数而定）个proposal。具体计算流程如下：

对FPN的多个输出分支，执行相同的操作
在特征图每个像素点上，生成3个anchors，共计生成 $3*H/i^2*W/i^2$ 个anchors
根据RPN得到anchor是前景的得分，对生成的anchor进行排序，并取前N1个
根据RPN得到anchor的box坐标调整系数，调整anchor的box坐标
执行NMS算法，然后取score前N2个，得到该分支的proposals
收集所有分支的proposals，取score前N3的proposals，得到ROIS

该层的输出为ndarray， shape=(2000， 5),第二维的第一位是batch_inx,由于batchsize为1，因此第一位都为0.

3.2 PyramidMaskTarget

该层同样不包含训练参数，两个主要函数add_proposals,sample_rios.
add_proposals:
该函数实现了将2000个anchor信息添加到单张图片的roidb标注中。
初始roidb为：

{
    'boxes':ndarray, shape=(8, 4),
    'segms':list, len=8,
    ‘seg_areas’, list, len=8
    'gt_classes':ndarray, len=8, [1 1 1 3 3 3 3 6]
    'gt_overlaps':稀疏矩阵， bbox和gt_box的重叠比例，由于当前bbox都是gt_box，只有和其对应类别的处的值为1，shape=(num_box,num_class)
    ‘is_crowd’: ndarray. len=8
    'box_to_gt_ind_map': ndarray, shape=(8,) bbox所对应的gt_box编号
}

通过计算RPN产生的2000个proposals和gt box的重叠比例，修改一字段的值。

boxes，直接将2000个proposals添加到list中
seg_areas，添加2000个0值
gt_classes, 添加2000个0值
gt_overlaps, 添加2000个值，若无重叠则为0，若与一个或多个重叠，取最大值
box_to_gt_ind_map: 添加2000个值，无重叠则为-1，重叠则为最接近的gt box在gt classes中的序号

sample_rois:

计算bbox和gt box的最大重叠比例，根据阈值进行划分，大于阈值记为前景，小于阈值记为背景。
对前后景rois进行采样，使得总和为rois-per-image, 网络中设置为512个.
计算512个bbox相对于其gt-box的坐标变换系数，即bbox-targets
更改bbox-targets的表示形式，从[class, dx, dy, dh, dw]变成[0,0,0,0,…,dx,dy,dw,dh,…,0,0,0,0],len=num-class * 4, 每四个数对应一个类别，类似于one-hot编码，只在其对应类别处有非零值
为每一个fg-roi制作28*28的mask

{
    'labels_int32':ndarray, (512,), 若是gt-box，则为对应类别；若非gt-box，则为0，
    'rois': (512, 5), 第二维第一位为batch-inx,都为0，
    'bbox-targets'：shape（512， 36），
    'bbox-inside-weights': (512, 36),对应bbox-targets,在对应类别处值为1,1,1,1
    'bbox-outside-weights': (512, 36), 对应bbox-inside-weights， 在非零值处值为1
    'nongt_inds': 不是gtbox的编号， （504，） ->有8个gtbox
    'mask_rois': 前景rois, shape(前景rois个数,batchinx+四个系数)=(9，5), 
    'rois_has_mask_int32': 有mask的rois，即属于前景的rois，shape=(512, )，是则为1，不是为0
    'mask_int32': 根据fg-roi宽高比例进行调整的28*28的mask,采用和bbox-targets类似的表示方式，其shape=(前景个数， 类别数×28*28)，在对应属于的类别上，连续的28*28有值（0或1），在不属于的类别上，为-1
}

4. Sementic Segmentation Head

4.1 FCN-Head

FCN-Head即用于生成语义分割的分支。承接FPN的四个分支，每个分支分别经过可变卷积，而后同一scale到H/4、W/4,concat之后再卷积得到每个像素点的在19个类别上的概率。同时计算gt-roi mask内每个像素点的在19个类别上的概率。源码及结构如下：

def forward(self, fpn_p2, fpn_p3, fpn_p4, fpn_p5, roi=None):
        fpn_p2 = self.fcn_subnet(fpn_p2)
        fpn_p3 = self.fcn_subnet(fpn_p3)
        fpn_p4 = self.fcn_subnet(fpn_p4)
        fpn_p5 = self.fcn_subnet(fpn_p5)

        fpn_p3 = F.interpolate(fpn_p3, None, 2, mode='bilinear', align_corners=False)
        fpn_p4 = F.interpolate(fpn_p4, None, 4, mode='bilinear', align_corners=False)
        fpn_p5 = F.interpolate(fpn_p5, None, 8, mode='bilinear', align_corners=False)
        feat = torch.cat([fpn_p2, fpn_p3, fpn_p4, fpn_p5], dim=1)
        score = self.score(feat)
        ret = {'fcn_score': score, 'fcn_feat': feat}
        if self.upsample_rate != 1:
            output = F.interpolate(score, None, self.upsample_rate, mode='bilinear', align_corners=False)
            ret.update({'fcn_output': output})
        if roi is not None:
            roi_feat = self.roipool(feat, roi)
            roi_score = self.score(roi_feat)
            ret.update({'fcn_roi_score': roi_score})

        return ret

5.Instance Segmentation Head

5.1. RCNN

RCNN分支用于预测512个rois(前后景)的类别和边框

FPN的四个分支结合RPN生成的rois,使用多层次的RIAlign得到了 $(512, 256, 7, 7)$ 的tensor,其中7为pool size.
将上一步得到的tensor reshape成 $(512, 256 * 7 * 7)$ ,再经过两个全连接层；
上一步得到的向量进入类别和box预测两个分支。

如下图所示。

5.2 MaskBranch

MaskBranch用于生成前景roi的mask,结构如下图所示

6 Panoptic Segmentation Head

6.1 SegTerm

本模块的作用是把语义分割分支中不同类别的logit取出来。
输入包含四项:

seg_score是语义分割的输出结果之一，shape=(1,19,H/4,W/4);
boxes:前景rois的bbox,假设有5个box,则shape=(5,4)
cls_indices是每一个box的类别，eg:[6,3,1,1,3]
class_map,语义种类共有19个，thing种类有8个，class_map即thing和语义种类的映射关系，eg: {1: 11, 2: 12, 3: 13, 4: 14, 5: 15, 6: 16, 7: 17, 8: 18}
输出包含两项:
seg_energy 直接从seg_score中取出非thing类别，shape=(11, H/4, W/4);
seg_ins_energy 根据box的类别，从对应的seg_score中取出box内部的数值，box外为0,shape=(5, H/4, W/4)
如下图所示， $t_i$ 表示第i个thing类

6.2 MaskTerm

本模块的作用是取出mask分支中每个检测到实例的logit

mask大小为28*28，将其reshape成对应b-box的大小，将box内的值放到初始化为0的mask　logit对应box位置处

如下图所示.

6.3 计算　panoptic logits

panoptic logits 由三项组成，语义分割部分seg-logits、实例分割部分inst_logits、和未知类预测部分void-logits。其中未知类是由gt-box中随机选出30%作为未知的类别，在本文所用的例子中，原本gt-box共有8个，现在有三个b-box被归为未知类.
void-logits
void-logits根据语义分割实例类部分logits(8,H/4,W/4)最大值减去5个b-box的logits(5,H/4,W/4)的最大值,得到(1, H/4, W/4).void-logits的计算代码如下：

void_logits = torch.max(fcn_output['fcn_score'][:, (config.dataset.num_seg_classes - config.dataset.num_classes + 1):, ...], dim=1, keepdim=True)[0] - torch.max(seg_inst_logits, dim=1, keepdim=True)[0]

inst-logits
inst-logtis则是将MaskTerm和SegTerm得到的mask-logits和seg-ins-logits直接相加。综合了两部分的预测，相当于做了一个模型融合。

inst_logits = seg_inst_logits + mask_logits

seg-logits
seg-logits则是语义分割部分stuffs部分的logtis

panoptic-logits
panoptic-logots直接将三个部分concat在一起。shape=(17, H/4, W/4), 17=11+5+1

panoptic_logits = torch.cat([seg_logits, inst_logits, void_logits], dim=1)