前言

(嘔血制作啊！)前幾天剛好做了個圖像語義分割的匯報，把最近看的論文和一些想法講了一下。所以今天就把它總結成文章啦，方便大家一起討論討論。本文只是展示了一些比較經典和自己覺得比較不錯的結構，畢竟這方面還是有挺多的結構方法了。

介紹

圖像語義分割，簡單而言就是給定一張圖片，對圖片上的每一個像素點分類

從圖像上來看，就是我們需要將實際的場景圖分割成下面的分割圖：

不同顏色代表不同類別。

經過我閱讀“大量”論文（羞澀）和查看Pascal VOC 2012 Learderboard，我發現圖像語義分割從深度學習引入這個任務（FCN）到現在而言，一個通用的框架已經大概確定了。即：

• FCN-全卷積網絡
• CRF-條件隨機場
• MRF-馬爾科夫隨機場

前端使用FCN進行特征粗提取，後端使用CRF/MRF優化前端的輸出，最後得到分割圖。

接下來，我會從前端和後端兩部分進行總結。

前端

為什麽需要FCN

我們分類使用的網絡通常會在最後連接幾層全連接層，它會將原來二維的矩陣（圖片）壓扁成一維的，從而丟失了空間信息，最後訓練輸出一個標量，這就是我們的分類結果。

而圖像語義分割的輸出需要是個分割圖，且不論尺寸大小，但是至少是二維的。所以，我們需要丟棄全連接層，換上全卷積層，而這就是全卷積網絡了。具體定義請參看論文：Fully Convolutional Networks for Semantic Segmentation

前端結構

FCN

此處的FCN特指Fully Convolutional Networks for Semantic Segmentation論文中提出的結構，而非廣義的全卷積網絡。

作者的FCN主要使用了三種技術：

• 卷積化（Convolutional）
• 上采樣（Upsample）
• 跳躍結構（Skip Layer）

卷積化

卷積化即是將普通的分類網絡，比如VGG16，ResNet50/101等網絡丟棄全連接層，換上對應的卷積層即可。如下圖：

上采樣

此處的上采樣即是反卷積（Deconvolution）。當然關於這個名字不同框架不同，Caffe和Kera裏叫Deconvolution，而tensorflow裏叫conv_transpose。CS231n這門課中說，叫conv_transpose更為合適。

眾所諸知，普通的池化（為什麽這兒是普通的池化請看後文）會縮小圖片的尺寸，比如VGG16 五次池化後圖片被縮小了32倍。為了得到和原圖等大的分割圖，我們需要上采樣/反卷積。

反卷積和卷積類似，都是相乘相加的運算。只不過後者是多對一，前者是一對多。而反卷積的前向和後向傳播，只用顛倒卷積的前後向傳播即可。所以無論優化還是後向傳播算法都是沒有問題。圖解如下：

但是，雖然文中說是可學習的反卷積，但是作者實際代碼並沒有讓它學習，可能正是因為這個一對多的邏輯關系。代碼如下：

layer {
  name: "upscore"
  type: "Deconvolution"
  bottom: "score_fr"
  top: "upscore"
  param {
    lr_mult: 0
  }
  convolution_param {
    num_output: 21
    bias_term: false
    kernel_size: 64
    stride: 32
  }
}

可以看到

lr_mult

跳躍結構

（這個奇怪的名字是我翻譯的，好像一般叫忽略連接結構）這個結構的作用就在於優化結果，因為如果將全卷積之後的結果直接上采樣得到的結果是很粗糙的，所以作者將不同池化層的結果進行上采樣之後來優化輸出。具體結構如下：

而不同上采樣結構得到的結果對比如下：

當然，你也可以將pool1， pool2的輸出再上采樣輸出。不過，作者說了這樣得到的結果提升並不大。
這是第一種結構，也是深度學習應用於圖像語義分割的開山之作，所以得了CVPR2015的最佳論文。但是，還是有一些處理比較粗糙的地方，具體和後面對比就知道了。

SegNet/DeconvNet

這樣的結構總結在這兒，只是我覺得結構上比較優雅，它得到的結果不一定比上一種好。

SegNet

DeconvNet

這樣的對稱結構有種自編碼器的感覺在裏面，先編碼再解碼。這樣的結構主要使用了反卷積和上池化。即：

反卷積如上。而上池化的實現主要在於池化時記住輸出值的位置，在上池化時再將這個值填回原來的位置，其他位置填0即OK。

DeepLab

接下來介紹一個很成熟優雅的結構，以至於現在的很多改進是基於這個網絡結構的進行的。

首先這裏我們將指出一個第一個結構FCN的粗糙之處：為了保證之後輸出的尺寸不至於太小，FCN的作者在第一層直接對原圖加了100的padding，可想而知，這會引入噪聲。

而怎樣才能保證輸出的尺寸不會太小而又不會產生加100padding這樣的做法呢？可能有人會說減少池化層不就行了，這樣理論上是可以的，但是這樣直接就改變了原先可用的結構了，而且最重要的一點是就不能用以前的結構參數進行fine-tune了。所以，Deeplab這裏使用了一個非常優雅的做法：將pooling的stride改為1，再加上1padding。這樣池化後的圖片尺寸並未減小，並且依然保留了池化整合特征的特性。

但是，事情還沒完。因為池化層變了，後面的卷積的感受野也對應的改變了，這樣也不能進行fine-tune了。所以，Deeplab提出了一種新的卷積，帶孔的卷積：Atrous Convolution.即：

而具體的感受野變化如下：

a為普通的池化的結果，b為“優雅”池化的結果。我們設想在a上進行卷積核尺寸為3的普通卷積，則對應的感受野大小為7.而在b上進行同樣的操作，對應的感受野變為了5.感受野減小了。但是如果使用hole為1的Atrous Convolution則感受野依然為7.所以，Atrous Convolution能夠保證這樣的池化後的感受野不變，從而可以fine tune，同時也能保證輸出的結果更加精細。即：

總結

這裏介紹了三種結構：FCN, SegNet/DeconvNet，DeepLab。當然還有一些其他的結構方法，比如有用RNN來做的，還有更有實際意義的weakly-supervised方法等等。

後端

終於到後端了，後端這裏會講幾個場，涉及到一些數學的東西。我的理解也不是特別深刻，所以歡迎吐槽。

全連接條件隨機場(DenseCRF)

對於每個像素i具有類別標簽xi還有對應的觀測值yi，這樣每個像素點作為節點，像素與像素間的關系作為邊，即構成了一個條件隨機場。而且我們通過觀測變量yi來推測像素i對應的類別標簽xi。條件隨機場如下：

條件隨機場符合吉布斯分布：(此處的x即上面說的觀測值)
P(X=x|I)=1Z(I)exp(?E(x|I))
其中的E(x|I)是能量函數，為了簡便，以下省略全局觀測I：
E(x)=∑iΨu(xi)+∑i<jΨp(xi,xj)
其中的一元勢函數∑iΨu(xi)即來自於前端FCN的輸出。而二元勢函數如下：
Ψp(xi,xj)=u(xi,xj)∑m=1Mω(m)k(m)G(fi,fj)
二元勢函數就是描述像素點與像素點之間的關系，鼓勵相似像素分配相同的標簽，而相差較大的像素分配不同標簽，而這個“距離”的定義與顏色值和實際相對距離有關。所以這樣CRF能夠使圖片盡量在邊界處分割。而全連接條件隨機場的不同就在於，二元勢函數描述的是每一個像素與其他所有像素的關系，所以叫“全連接”。

關於這一堆公式大家隨意理解一下吧… …而直接計算這些公式是比較麻煩的（我想也麻煩），所以一般會使用平均場近似方法進行計算。而平均場近似又是一堆公式，這裏我就不給出了（我想大家也不太願意看），原意了解的同學直接看論文吧。

CRFasRNN

最開始使用DenseCRF是直接加在FCN的輸出後面，可想這樣是比較粗糙的。而且在深度學習中，我們都追求end-to-end的系統，所以CRFasRNN這篇文章將DenseCRF真正結合進了FCN中。這篇文章也使用了平均場近似的方法，因為分解的每一步都是一些相乘相加的計算，和普通的加減（具體公式還是看論文吧），所以可以方便的把每一步描述成一層類似卷積的計算。這樣即可結合進神經網絡中，並且前後向傳播也不存在問題。當然，這裏作者還將它進行了叠代，不同次數的叠代得到的結果優化程度也不同（一般取10以內的叠代次數），所以文章才說是as RNN。優化結果如下：

馬爾科夫隨機場(MRF)

在Deep Parsing Network中使用的是MRF，它的公式具體的定義和CRF類似，只不過作者對二元勢函數進行了修改：
Ψ(yui,yvi)=∑k=1Kλkuk(i,u,j,v)∑?z∈Njd(j,z)pvz
其中，作者加入的λk為label context，因為uk只是定義了兩個像素同時出現的頻率，而λk可以對一些情況進行懲罰，比如，人可能在桌子旁邊，但是在桌子下面的可能性就更小一些。所以這個量可以學習不同情況出現的概率。而原來的距離d(i,j)只定義了兩個像素間的關系，作者在這兒加入了個triple penalty，即還引入了j附近的z，這樣描述三方關系便於得到更充足的局部上下文。具體結構如下：

這個結構的優點在於：

• 將平均場構造成了CNN
• 聯合訓練並且可以one-pass inference，而不用叠代

高斯條件隨機場(G-CRF)

這個結構使用CNN分別來學習一元勢函數和二元勢函數。這樣的結構是我們更喜歡的：

而此中的能量函數又不同於之前：
E(x)=12xT(A+λI)x?Bx
而當(A+λI)是對稱正定時，求E(x)的最小值等於求解：
(A+λI)x=B

而G-CRF的優點在於：

• 二次能量有明確全局
• 解線性簡便很多

感悟

• FCN更像一種技巧。隨著基本網絡（如VGG， ResNet）性能的提升而不斷進步。
• 深度學習+概率圖模型（GPM）是一種趨勢。其實DL說白了就是進行特征提取，而GPM能夠從數學理論很好的解釋事物本質間的聯系。
• 概率圖模型的網絡化。因為GPM通常不太方便加入DL的模型中，將GPM網絡化後能夠是GPM參數自學習，同時構成end-to-end的系統。

完結撒花

引用

[1]Fully Convolutional Networks for Semantic Segmentation
[2]Learning Deconvolution Network for Semantic Segmentation
[3]SegNet
[4]Efficient Inference in Fully Connected CRFs with Gaussian Edge Potentials
[5]Semantic Image Segmentation with Deep Convolutional Nets and Fully Connected CRFs
[6]Conditional Random Fields as Recurrent Neural Networks
[7]DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution,
and Fully Connected CRFs
[8]Semantic Image Segmentation via Deep Parsing Network
[9]Fast, Exact and Multi-Scale Inference for Semantic Image Segmentation with
Deep Gaussian CRFs

文章來源：