掃盲記-第四篇--弱監督深度學習的圖像分割
學習內容來源於網絡
原創見 微信公眾號： https://mp.weixin.qq.com/s/USOWECXk_az4b6eTssfOBw
基於弱監督深度學習的圖像分割方法
本文主要介紹基於深度學習的圖像分割方法，即語義分割、實例分割和全景分割。
1 基礎概念
生活中，我們和周圍的事物都是有“標簽”的，比如人、杯子、天空等等。在不同的場景下，相同的事物可能對應了不同的標簽，比如長在地上的一片小草稱為“草地”，長在花盆裏的很可能屬於“盆栽”，畫在畫中的又屬於“裝飾”。
如果把整幅圖像比作我們生活的世界，那麽具有相同“標簽”的像素就組成了我們和周圍的事物。圖像分割的任務就是給這些像素標註它們所對應的“標簽”，而這個標簽通常取決於這個像素所屬於的“整體”的類別。比如上圖中就被分割成了天空、植被、草地和大象。
當然，與生活中相似，根據分類方式的不同，一個像素可能屬於多種類別。比如下圖中組成椅子的像素，按照整體應標註為“椅子”，細分下又屬於“椅背”，按照材料分又屬於“木頭”。
根據方法和任務的不同，圖像分割可以分成很多類。比如在只關心圖像主要內容的時候，類別可能只有兩類：前景（關心的內容）和背景（除前景之外的其他部分，即不關心的內容）。或者只關心可數的目標，比如行人、自行車、杯子等；或只關心不可數目標，比如天空、草地、海洋等。由此，給出了下面兩種可能的分類方式：
按模型分類：根據實現分割的手段，圖像分割可以大致分為傳統方法
按任務分類：根據圖像分割的具體任務，又可以將其分為語義分割（semantic segmentation）、實例分割（instance segmentation）與全景分割（panoptic segmentation）。
如上圖所示，語義分割是比較容易的一種，其要求的是對所有像素點進行類別標註，比如天空、車、杯子等，但是不區分相同類別的個體，即所有屬於“杯子”的像素點都被標註成相同的標簽。而實例分割比語義分割困難一些，其不僅要求要標註像素點，還要區分相同類別的不同實例
但是實例分割受限其要求，通常都是對可數的物體進行分割，而在不可數內容上（比如草地、馬路等），要麽沒有分割，要麽屬於一個類別。當其將屬於某一個不可數類別的像素點都標註成相同標簽，而所有屬於可數類別的像素點按實例標註時，就成為了所謂的全景分割（如下圖所示）。
2 為什麽要弱監督學習
如前所述，圖像分割的任務是對每個像素都進行標註。因此，在深度學習方法中，直觀上就需要所有的像素都有真值標註。不難看出，在這個要求下，真值標註的生成是極度耗時耗力的，尤其是以人工標註的方式。比如，CityScapes數據庫，在精標條件下，一張圖片的標註就需要1.5個小時。如此一來，數據庫標註的成本可想而知。基於此，許多研究人員就想到用弱監督的方式進行網絡訓練，從而降低標註成本。
所謂弱監督，就是用更容易獲得的真值標註替代逐像素的真值標註，常見的輸入有image-level tags和bounding boxes，下圖給出的是這兩種標註的示例：
image-level tag：一張圖片對應一個標簽。如上圖，標簽為“貓”。
bounding box：即用一個矩形框（2D）或長方體（3D）給出目標存在的位置及標簽。
由此可見，這兩種標註的獲得比逐個像素標註容易很多。具體來說，一個bounding box的標註只需要7秒，而一個image-level tag的標註只需要1秒，按照這種方式，CityScapes數據庫的標註時間將縮短30倍。
在弱監督算法中，有的網絡是直接利用這些標註作為輸入；也有的網絡是在這些標註的基礎上生成部分像素點的標註，再進行全監督訓練。但無論哪種方式，都可見直接降低了標註成本。
3 常用的弱監督分割算法
以上描述了基本概念，接下來從輸入的角度梳理常用的弱監督分割算法。在分割任務中，常用的分割網絡有AlexNet、VGG、GoogleNet、ResNet和ReNet等，且通常借助遷移學習和必要的數據處理及擴張實現較好的分割。這些方法和結構在弱監督分割算法中也非常常見。具體而言，分割任務中常用的方法有譯碼器（decoder）的變體；整合上下文信息的方法，如條件隨機場、擴張卷積、多尺度估計、特征融合等。
下圖就是一個典型的編碼器-解碼器結構：
考慮到關於分割算法的綜述較多，本文著重介紹弱監督分割算法中特殊的處理方法。針對不同任務需求，每種輸入下的算法都按照語義分割、實例分割進行歸納（前景分割被歸入語義分割中）；而全景分割要同時完成兩種分割任務，因此單獨列出來。總體上，目前弱監督的語義分割研究成果比較多，但是實例分割與全景分割則相對較少。由於論文數量龐大，這裏每種場景僅列出一篇有代表性的論文作為範例。
1. 基於image-level tags的分割算法
Image-level tags已經在前文給出了示例，可以看出這一種標註中主要包含的是相同類別之間的共性，但無法區分實例（比如所有的車都會被標註成“車”，而不會區分顏色、形狀、大小、牌子等等）。因此基於image-level tags的算法大多用於語義分割，或是具有語義分割功能的實例分割或全景分割算法。下面就按照分類介紹部分基於image-level tags的深度學習分割算法。
(1)《Built-in Foreground/Background Prior for Weakly-Supervised Semantic Segmentation》
文中提出的方法，是利用目標標簽作為語義分割訓練的先驗，從而實現更高精度的分割效果。為了實現這個目的，這個方法中構建了一個預訓練網絡，其作用是給出前景像素點信息，而忽略背景信息。
下圖是具體的網絡結構。給定輸入圖像，網絡經過了一個典型的編碼器-解碼器結構，隨後通過一個條件隨機場（CRF）生成最後的mask。整個網絡的訓練只需要image-level tags就可以。
帶有內置前背景先驗的弱監督網絡結構
上圖是編碼器-解碼器神經網絡部分的完整結構，該網絡結構是從VGG-16網絡結構而來的，感受野128，步長8。
(2)《Exploiting saliency for object segmentation from image level labels》
此前的研究已經證明，可以從image-level labels中提取不同目標的信息（如下圖所示）。
熱度圖（heatmap）
從上面的熱度圖也可以看出，如果目標之間存在遮擋，那麽在沒有額外信息的情況下，獲取完整的目標就很困難了（固有的不適定問題）。出於這個考慮，文中提出了一個可以提供輔助信息的模型。整個網絡的訓練只用到了image-level labels和saliency masks，下圖是標註和論文結果。
下圖是具體的網絡結構，可以看出，輔助信息與分割網絡是並行的，共同用於計算最後的損失。
2.基於bounding boxes的分割算法
Bounding boxes是目標識別中常用的一種標註方式。現在許多算法已經能夠實現很高精度的bounding boxes檢測效果，因此，COCO Challenge等許多比賽已經取消了bounding boxes為輸出的部分，進而更多關註於像素級的分割任務。盡管如此，bounding boxes作為一種能夠有效區分不同實例的標註方式，既包含了語義信息，也包含了實例信息。因此，bounding boxes被廣泛應用於分割任務中，尤其是實例分割與全景分割。
(1) 語義分割
《Image Segmentation with A Bounding Box Prior》
作為一個基準，微軟2009年提出的一種基於傳統手段的前景分割方法。在此之前，盡管bounding box被廣泛利用與圖像分割任務中，但是大多數算法只是用其排除外部信息或有時用於初始化能量函數。文中提出bounding box可以作為一種強大的拓撲先驗（topological prior），既可以防止模型過度萎縮（分割小於前景目標的區域），也可以確保bounding box就足夠用於分割任務了。論文用包含在全局能量最小化框架內的強約束表達此先驗，從而構造一個NP-hard的完整程序。
下圖左邊是沒有先驗的分割結果，右邊是有先驗的分割結果。
下面的公式是將tightness prior融入圖割（gruph cut framework）而得到的integer program（IP）:
文中還介紹了一種可能的優化策略，包括linear relaxation和一種新的graph cut算法（稱作pinpointing）。後者既可以作為fractional LP solution的舍入法（rounding method，效果比閾值方法好），也可以作為獨立的快速啟發式搜索（fast standalone heuristic），下圖是pinpointing的結果：
下圖是文中的算法與其他算法的實驗結果比較，可以看出，在人的頭部附近和植物枝幹附近，文中的算法具有明顯優勢。
(2) 實例分割
《DeepCut: Object Segmentation from Bounding Box Annotations using Convolutional Neural Networks》
文中提出了一種給定弱標註的實例分割方法。將微軟研究院提出的叠代圖割-GrabCut進行擴展，可以實現給定bounding boxes的神經網絡分類器訓練。該文將分類問題視為在稠密連接的條件隨機場下的能量最小化問題，並通過不斷叠代實現實例分割。
文中還提出了一些DeepCut方法的變體，並將它們與其它算法在弱監督條件下進行了比較。值得註意的是，該算法在解決大腦和肺的兩個問題上已經得到了實驗，精度還不錯（使用的數據庫是fetal magnetric resonance dataset）。下圖是基本的DeepCut網絡結構：
下圖是實驗結果：
3. 全景分割
《Weakly and Semi-Supervised Panoptic Segmentation》2018
文章介紹了一種基於弱監督的全景分割（實例分割加語義分割）的網絡結構，目前在CityScapes上面語義分割與實例分割效果都是第一。文中其實主要提出的是一種可以通過image-level tags和bounding boxes生成像素點標註的方法，當然這個方法無法標註全部的像素點的真值，但是按照前文所提到的理論，這些像素點的個數已經足夠支撐網絡的訓練。同時，真值會隨著網絡結構的不斷訓練，逐漸完善，下圖是真值標註的完善過程：
論文，結果示例：
4 總結一下
本文了解了什麽是圖像分割及其種類，什麽是圖像分割中的弱監督訓練，以及常用的方法。簡而言之，弱監督訓練就是用更少、更容易獲得的真值標註，替代逐像素的真值標註，從而在降低標註成本的基礎上，維持較高水平的分割。隨著分割領域的技術的不斷發展，語義分割與實例分割逐漸融合，全景分割正在成為新的主流趨勢。
掃盲記-第四篇--弱監督深度學習的圖像分割