[语义分割] ASPP不同版本对比（DeepLab、DeepLab v1、DeepLab v2、DeepLab v3、DeepLab v3+、LR-ASPP）

1. 引言

1.1 本文目的

本文主要对前段时间学习的 ASPP 模块进行对比，涉及到的 ASPP 有：

1. ASPP in DeepLab v2，简称 ASPP v2
2. ASPP in DeepLab v3，简称 ASPP v3
3. ASPP in DeepLab v3+，简称 ASPP v3+
4. ASPP in MobileNet v3，简称 LR-ASPP

这里的 v1、v2 是与 DeepLab 的版本号对应，因此没有 v1 😬

1.2 语义分割大致流程

语义分割是计算机视觉中的一项重要任务，它的目标是对图像中的每个像素进行分类，将相同语义类别的像素标记为同一类别。下面是大致的流程：

流程说明：

1. 输入图像：将待分割的图像作为输入。

2. 选择语义分割模型：选择适合任务的语义分割模型，常用的模型包括 U-Net、SegNet、DeepLab 等。

3. 加载预训练权重：如果可用，加载预训练模型的权重，这有助于提高分割性能。

4. 进行图像预处理：对输入图像进行预处理，包括大小调整、归一化、数据增强等，以提高模型的鲁棒性和准确性。

5. 使用模型进行推理：将预处理后的图像输入语义分割模型，进行推理得到像素级别的预测结果。

6. 获取像素类别预测：从模型输出中获取每个像素的语义类别预测，通常使用 softmax 函数将预测转换为概率分布。

7. 后处理与可视化：对预测结果进行后处理，可能包括阈值处理、连通组件分析等，以生成最终的分割结果。同时，可以将分割结果可视化，将不同类别的像素着色，以便观察和验证分割效果。

其实语义分割和分类任务是差不多的，都是属于比较简单的。

---

因为本文主要讲不同 ASPP，因此我们简化语义分割流程，并加入 ASPP 模块，如下图所示。

从图中我们可以知道，与分类任务相同，首先给模型输入 RGB 图片 $\mathrm{Image}$，之后经过 Backbone 进行推理。值得注意的是，在分类任务中，我们可能直接通过 Backbone 加上一个分类头（Classification Head）就可以得到最终的结果了。但在语义分割中，我们不使用全部的 Backbone（一般而言，这里所说的 Backbone 是分类网络中 真正的Backbone + Classification Head），而是去除最后几层（一般是去掉 Classification Head）。

1. 如上图所示，输入图片 $\mathrm{Image}$ 经过 Backbone 后输出一个 $28\times 28\times 2048$ 的特征图 ${\mathcal{F}}_1$。
2. 之后再将 ${\mathcal{F}}_1$ 送入 ASPP 模块，得到 shape 为 $28\times 28\times \mathrm{channel}\mathrm{by}\mathrm{concatenated}$ 的 ASPP 输出特征图 ${\mathcal{F}}_2$。
3. 最后我们再将 ASPP 输出特征图 ${\mathcal{F}}_2$ 送入分割头（Segmentation Head），这个头一般会对特征图进行上采样和 softmax 计算，前者的目的是将特征图 ${\mathcal{F}}_3$ 的 $[H,W]$ 恢复到输入图片 $\mathrm{Image}$ 的大小；后者的目的是得到每个像素所属的类别。
4. 经过上述过程，我们就可以得到一个 shape 为 $480\times 480\times num\_classes$ 的最终特征图 ${\mathcal{F}}_3$，这个最终特征图的宽度和高度与输入图片是一致的，但通道数变为 $num\_classes$。因此我们便可以知道图片中每个像素所属的类别，再经过一定的后处理就可以得到语义分割后的结果，即一张灰度图 ${\mathcal{F}}_{\mathrm{out}}$（不同类别分别对应一个独特的像素值）。

因为 ASPP 一般会使用并行结构，并且最后会对不同分支的结果进行融合，因此 ASPP 输出特征图最后一个维度是 $\mathrm{channel}\mathrm{by}\mathrm{concatenated}$ 🧐

通过上述对语义分割流程的描述，我们就知道语义分割的大致流程。接下来我们就可以学习不同 ASPP 的特点和不同了。

2. 各版本 ASPP 介绍

2.1 ASPP v2

参考博文：[语义分割] DeepLab v2（膨胀卷积、空洞卷积、多尺度信息融合、MSc、ASPP、空洞空间金字塔池化、Step学习率策略、Poly学习率策略）

在 DeepLab V2 首先提出 ASPP 概念，这个 ASPP 模块很像是 DeepLab V1 中 LargeFOV + MSc 的升级版（但额外加入了多尺度的特性），下面是 ASPP v2 的示意图。

ASPP v2 的结构非常清晰，就是在 Backbone 的输出特征图后并联四个分支，每个分支的第一层都是使用的膨胀卷积，但不同的分支使用的膨胀系数不同（dilate = [6, 12, 18, 24]）（即每个分支的感受野不同，从而具有解决目标多尺度的问题）。因此每个分支的感受野是不一样的（膨胀系数越大，感受野越大），最终将 4 个分支的结果进行融合 $\oplus$ 就使得 DeepLab v2 具有了解决多尺度的能力。

在 DeepLab v1 中，LargeFOV 本质上就是使用了膨胀卷积替换全连接层；MSc 就是 Multi-Scale 连接（但都是普通卷积，没有膨胀卷积），而 ASPP 是多分支，并且每个分支都使用了膨胀卷积，所以说，ASPP $\approx$ LargeFOV + MSc。

2.2 ASPP v3

参考博文：[语义分割] DeepLab v3（Cascaded model、ASPP model、两种ASPP对比、Multi-grid、训练细节）

我们再来看下 DeepLab V3 中的 ASPP，即 ASPP v3 结构，如下图所示。

ASPP v3 中的膨胀卷积是经典的汉堡包结构：Conv → BN → Activation

ASPP v3 有 5 个并行分支，分别是：

① 一个 $1\times 1$ 的卷积层（普通卷积）
② ~ ④ 三个 $3\times 3$ 的膨胀卷积层（膨胀率 $r$ 是不同的）
⑤ 一个全局平均池化层（后面还跟有一个 $1\times 1$ 的卷积层，然后通过双线性插值的方法还原回输入的 W 和 H）。

关于最后一个全局池化分支作者说是为了增加一个全局上下文信息（Global Contextual Information）。

之后通过 Concat 的方式将这 5 个分支的输出进行拼接 concat（沿着 channel 方向），最后再通过一个 $1\times 1$ 的卷积层（普通卷积）进一步融合信息。

2.3 ASPP v3+

参考博文：[语义分割] DeepLab v3+（DeepLab v3 Plus、Backbone、Xception、MobileNet v2、Encoder、Decoder、ASPP、多尺度融合、膨胀卷积）

从图中可以看到，ASPP v3+ 其实和很相似，但有两点不同：

1. 膨胀卷积中的膨胀系数不同
2. 膨胀卷积使用的是深度可分离卷积

2.4 LR-ASPP

LR-ASPP 在 Backbone 输出上分成了两个分支，如下图所示：

1. 【第一个分支】上面的分支通过一个简单的 $1\times 1$ 卷积（bias=False）汉堡包结构，即 Conv -> BN -> ReLU，得到一个输出特征图 ${\mathcal{F}}_1$
2. 【第二个分支】第二分支通过一个 核大小为 $49\times 49$，步长为 $[16,20]$ 的全局平均池化层（AvgPooling Layer），之后再通过一个 $1\times 1$ 的普通卷积（bias=False） + Sigmoid，得到一个输出特征图 ${\mathcal{F}}_2$

注意❗️：

• 根据观察源码，${\mathcal{F}}_1$ 分支中的 ReLU 就是普通的 ReLU 而非 ReLU6
• ${\mathcal{F}}_2$ 分支中的 Bilinear Upsample 其实是不需要的（正常来说，通过 Sigmoid 层后得到的就是长度为 128 的向量）
• ${\mathcal{F}}_2$ 分支中的 AdaptiveAvgPool2d -> 1×1 Conv -> Sigmoid 与 MobileNet v3 中提出的 Squeeze-and-Excitation（SE）注意力模块非常相似

3. 【第一次融合】${\mathcal{F}}_1\otimes {\mathcal{F}}_2$ 之后，经过双线性插值进行 2 倍上采样，之后再经过普通的 $1\times 1$ 卷积，得到输出特征图 ${\mathcal{F}}_3$
4. 【第三个分支】将 Backbone 中经过 8 倍下采样的特征图拿出来，经过 普通的 $1\times 1$ 卷积得到输出特征图 ${\mathcal{F}}_4$
5. 【第二次融合】${\mathcal{F}}_3\oplus {\mathcal{F}}_4={\mathcal{F}}_5$，得到 LR-ASPP 的输出特征图。

3. ASPP 结构汇总

1. ASPP(DeepLab v2)：

   • 【特点】：采用多个并行的当量膨胀卷积(当量置信卷积)实现多尺度分析。
   • 【优点】：使用多尺度块可以有效捕获物体的多尺度上下文信息。
   • 【缺点】：没有第二个解码器，无法利用低层特征信息。

2. ASPP(DeepLab v3)：

   • 【特点】：基于 DeepLab v2 改进，加入低维度下采样通道增加低层特征融入。
   • 【优点】：通过增加低维度下采样通道改善低层特征信息利用效率。
   • 【缺点】：仍需改进调和上采样方式。

3. ASPP(DeepLab v3+)：

   • 【特点】：在 DeepLab v3 基础上，使用空间金字塔池化上采样模块融合全通道特征。
   • 【优点】：空间金字塔池化上采样效果较好，改善了上采样效果。
   • 【缺点】：沿用较高的计算复杂度。

4. LR-ASPP(MobileNet v3)：

   • 【特点】：在 ASPP 网络基础上进行轻量化设计，设计轻量级ASPP模块。
   • 【优点】：大幅降低计算复杂度，适用于移动端和边缘设备部署。
   • 【缺点】：效果略有略微下降。

4. 不同 ASPP 准确率提升对比

Model	Backbone	Version	Before(%)	After(%)	$\Delta$	Dataset
DeepLab v2	ResNet-101	ASPP v2	74.87	76.35	+1.48	VOC 2012
DeepLab v3	ResNet-101	ASPP v3	77.21	78.51	+1.3	VOC 2012
DeepLab v3+	Xception	ASPP v3+	79.17	79.93	+0.76	VOC 2012
MobileNetV3 LR-ASPP	MobileNetV3 Large	LR-ASPP	71.91	72.37	+0.46	Cityscapes

现在我们来具体分析每个模型的性能：

1. DeepLab v2：

   • Backbone: ResNet-101
   • Version: ASPP v2
   • 在VOC 2012数据集上，训练之前准确率为74.87％，经过训练后提高到76.35％。经过训练后的性能提升了1.48个百分点。

2. DeepLab v3：

   • Backbone: ResNet-101
   • Version: ASPP v3
   • 在VOC 2012数据集上，训练之前准确率为77.21％，经过训练后提高到78.51％。经过训练后的性能提升了1.3个百分点。

3. DeepLab v3+：

   • Backbone: Xception
   • Version: ASPP v3+
   • 在VOC 2012数据集上，训练之前准确率为79.17％，经过训练后提高到79.93％。经过训练后的性能提升了0.76个百分点。

4. MobileNetV3 LR-ASPP：

   • Backbone: MobileNetV3 Large
   • Version: LR-ASPP
   • 在Cityscapes数据集上，训练之前准确率为71.91％，经过训练后提高到72.37％。经过训练后的性能提升了0.46个百分点。