花了點(diǎn)時(shí)間梳理了一下DeepLab系列的工作，主要關(guān)注每篇工作的背景和貢獻(xiàn)，理清它們之間的聯(lián)系，而實(shí)驗(yàn)和部分細(xì)節(jié)并沒有過多介紹，請(qǐng)見諒。

DeepLabv1

Semantic image segmentation with deep convolutional nets and fully connected CRFs

引言

DCNN在像素標(biāo)記存在兩個(gè)問題：信號(hào)下采用和空間不變性（invariance）

第一個(gè)問題是由于DCNN中重復(fù)的最大池化和下采樣造成分辨率下降，DeepLabv1通過帶孔（atrous）算法解決。
第二個(gè)問題是分類器獲得以對(duì)象為中心的決策需要空間不變性，從而限制了DCNN的空間精度，DeepLabv1通過條件隨機(jī)場(chǎng)（CRF）提高模型捕獲精細(xì)細(xì)節(jié)的能力。

DeepLabv1主要貢獻(xiàn)

速度：帶孔算法的DCNN速度可達(dá)8fps，全連接CRF平均預(yù)測(cè)只需0．5s。

準(zhǔn)確：在PASCAL語義分割挑戰(zhàn)中獲得第二名。

簡(jiǎn)潔：DeepLab可看作DCNN和CRF的級(jí)聯(lián)。

相關(guān)工作

DeepLab有別于two stage的RCNN模型，RCNN沒有完全利用DCNN的feature map。

DeepLab和其他SOTA模型的主要區(qū)別在于DCNN和CRF的組合。

方法空洞卷積

一維空洞卷積

kernel size＝3，Input stride＝2，stride＝1。

理解空洞卷積

feature map變小主要是由于卷積層和池化層引起的，若另所有層的stride＝1，輸出feature map將會(huì)變大。
原始情況下Pooling layer stride＝2，receptive field＝4

另Pooling layer stride＝1，receptive field＝3，輸出更dense，但感受野變小。

采用空洞卷積后，receptive field＝4
跟第一張圖相比，在藍(lán)色節(jié)點(diǎn)的基礎(chǔ)上多了紅色節(jié)點(diǎn)，在保持感受野使輸出更加dense。

條件隨機(jī)場(chǎng)

全連接CRF模型使用的能量函數(shù)E（x）

分為一元?jiǎng)菽芎�？�?shù)？

和二元?jiǎng)菽芎瘮?shù)

。

一元?jiǎng)菽芎?strong>數(shù)

刻畫觀測(cè)序列對(duì)標(biāo)記變量的影響。

當(dāng)我們觀察到像素點(diǎn)i，

是DCNN計(jì)算像素i的輸出標(biāo)簽的分配概率。

二元?jiǎng)菽芎瘮?shù)

刻畫變量之間的相關(guān)性以及觀測(cè)序列對(duì)其影響，實(shí)質(zhì)是像素之間的相關(guān)性。

當(dāng)

則

，否則為0，因此每個(gè)像素對(duì)之間都會(huì)有值，是全連接的。

是

之間的高斯核，

是像素i的特征向量，對(duì)應(yīng)的權(quán)重為

，高斯核為：

控制高斯核的“尺度”。

多尺度預(yù)測(cè)

多尺度預(yù)測(cè)有性能提升，但是不如CRF明顯。

DeepLabv2

DeepLab： Semantic Image Segmentation with Deep Convolutional Nets， Atrous Convolution， and Fully Connected CRFs

link：https：／／arxiv．org／pdf／1606．00915．pdf

引言

DCNN在語義分割中有三個(gè)挑戰(zhàn)：
（1）特征分辨率下降
（2）存在物體多尺度
（3）由于DCNN的空間不變性使得空間精度下降

（1）是由于DCNN中的重復(fù)池化和下采樣降低了空間分辨率，一種方法是采用轉(zhuǎn)置卷積（deconvolutional layer），但是需要額外的空間和計(jì)算量。DeepLabv2在最后幾個(gè)最大池化層用空洞卷積替代下采樣，以更高的采樣密度計(jì)算feature map。
（2）物體存在多尺度，解決該問題的一個(gè)標(biāo)準(zhǔn)方法是將圖片縮放成不同尺寸，匯總特征得到結(jié)果。這種方法可以提高性能，但是增加了計(jì)算成本。受SPPNet啟發(fā)，DeepLabv2提出一個(gè)類似結(jié)構(gòu)，對(duì)給定輸入以不同采樣率的空洞卷積進(jìn)行采樣，以多比例捕捉圖像上下文，稱為ASPP（astrous spatial pyramid pooling）。
（3）分類器要求空間不變性，從而限制了DCNN的空間精度。解決該問題的一個(gè)方法是使用跳級(jí)結(jié)構(gòu)融合不同層的特征從而計(jì)算最終的分割結(jié)果。DeepLabv2更高效的方法是采用條件隨機(jī)場(chǎng)增強(qiáng)模型捕捉細(xì)節(jié)的能力。

DeepLabv2結(jié)構(gòu)

首先經(jīng)過采用空洞卷積的DCNN如VGG－16或ResNet101得到粗略的分割結(jié)果，然后通過雙線性插值將feature map恢復(fù)成原圖分辨率，最后用全連接的CRF來精細(xì)化分割結(jié)果。

DeepLabv2貢獻(xiàn)

采用多尺度處理和ASPP達(dá)到了更好的性能。

在DeepLab基礎(chǔ)上將VGG－16換成ResNet，在PASCAL VOC 2012和其他數(shù)據(jù)上上達(dá)到SOTA。

相關(guān)工作

語義分割的核心是將分割與分類結(jié)合。

語義分割中DCNN模型主要有三類：

（1）采樣基于DCNN的自下而上的圖像分割級(jí)聯(lián)。

（2）依靠DCNN做密集計(jì)算得到預(yù)測(cè)結(jié)果，并將多個(gè)獨(dú)立結(jié)果做耦合。

（3）使用DCNN直接做密集的像素級(jí)分類。

方法空洞卷積

一維情況

一維信號(hào)，空洞卷積輸入x［i］，輸出y［i］，長(zhǎng)度K的濾波器為ω［k］。

r為輸入信號(hào)的采樣步長(zhǎng)，標(biāo)準(zhǔn)卷積中r＝1。

二維情況

首先下采樣將分辨率降低2倍，做卷積，再上采樣得到結(jié)果。本質(zhì)是和原圖的1／4位置做響應(yīng)。

對(duì)全分辨率圖做r＝2的空洞卷積，直接得到結(jié)果�？梢杂�(jì)算整張圖的響應(yīng)。

使用空洞卷積可以增大感受野，采樣率為r的空洞卷積插入r？1個(gè)零，將k×k的卷積核變?yōu)?/p>

而不增加計(jì)算量。

ASPP

并行采用多個(gè)采樣率的空洞卷積提取特征，再將特征進(jìn)行融合，該結(jié)構(gòu)稱為空洞空間金字塔池化（atrous spatial pyramid pooling）。

條件隨機(jī)場(chǎng)

同DeepLabv1

DeepLabv3

Rethinking Atrous Convolution for Semantic Image Segmentation
link：https：／／arxiv．org／pdf／1706．05587．pdf

引言

語義分割中，應(yīng)用DCNN有兩個(gè)挑戰(zhàn)

1）連續(xù)池化或卷積帶來的分辨率下降，讓DCNN學(xué)習(xí)更抽象的特征表示。然而，空間不變性會(huì)阻礙分割任務(wù)，因?yàn)槠湫枰�詳�?xì)的空間信息。為了解決該問題，DeepLab引入空洞卷積。
2）物體存在多尺度，有許多方法解決該問題，我們主要考慮四類：

①將DCNN應(yīng)用于圖像金字塔來提取不同尺度輸入的特征，將預(yù)測(cè)結(jié)果融合得到最終輸出。
②encoder－decoder結(jié)構(gòu)，利用encoder的多尺度特征到解碼器上恢復(fù)分辨率。
③在原網(wǎng)絡(luò)的頂端增加額外的模塊來捕獲長(zhǎng)程信息，如DenseCRF。
④SPP空間金字塔池化具有不同采樣率和感受野的卷積核，能以多尺度捕獲對(duì)象。

DeepLabv3的貢獻(xiàn)

回顧了空洞卷積，在級(jí)聯(lián)模塊和金字塔池化框架下也能擴(kuò)大感受野提取多尺度信息。

改進(jìn)了ASPP：由不同的采樣率的空洞卷積和BN層組成，以級(jí)聯(lián)或并行的方式布局。

大采樣率的3×3空洞卷積由于圖像邊界效應(yīng)無法捕獲長(zhǎng)程信息，將退化為1×1的卷積，我們建議將圖像特征融入ASPP。

闡述訓(xùn)練細(xì)節(jié)和方法。

相關(guān)工作

現(xiàn)有多個(gè)工作表明全局特征或上下文之間的互相作用有助于做語義分割，我們討論四種不同類型利用上下文信息做語義分割的全卷積網(wǎng)絡(luò)。

圖像金字塔

同一模型使用共享權(quán)重，適用于多尺度輸入。
小尺度輸入的特征相應(yīng)編碼了長(zhǎng)程的語義信息，大尺度輸入的特征相應(yīng)保留了小對(duì)象的細(xì)節(jié)。
該方法通過拉普拉斯金字塔將輸入變換成多尺度，并送入DCNN。
主要缺點(diǎn)是由于GPU存儲(chǔ)的限制，在更大更深的DCNN上不能很好地拓展，通常其用于測(cè)試階段。

編碼器－解碼器

該模型主要包含兩部分：
1）編碼器，該階段feature map的維度逐漸降低并且深層次的特征容易捕獲遠(yuǎn)程信息。
2）解碼器，該階段恢復(fù)物體細(xì)節(jié)和空間維度。
SegNet、U－Net、RefineNet

上下文模塊

模型包含額外的模塊來編碼遠(yuǎn)程上下文信息。
DenseCRF

空間金字塔池化

采用SPP來捕獲多尺度上下文。
ParseNet、DeepLabv2（ASPP）、PSPNet（PSP）

DeepLabv3提出將空洞卷積作為上下文模塊和空間金字塔池化的工具。

方法

回顧空洞卷積如何提取密集特征、討論空洞卷積模塊以級(jí)聯(lián)（串行）和并行布局。

空洞卷積

見DeepLabv1、v2

級(jí)聯(lián)ResNet

將空洞卷積應(yīng)用于級(jí)聯(lián)結(jié)構(gòu)，在ResNet最后一個(gè)block（block4）后連接許多級(jí)聯(lián)模塊。

圖（a）中整體信息匯聚到非常小的feature map，實(shí)驗(yàn)表明其不利于分割。

Multi－grid Method
定義

為block4到block7三個(gè)卷積層的unit rates。則rates＝2？（1，2，4）＝（2，4，8）

ASPP＋

在ASPP中加入BN層。
當(dāng)采樣率變大，卷積核的有效權(quán)重變小。
在65×65的feature map上以不同采樣率采用3×3的卷積核。當(dāng)采樣率接近于feature map尺寸時(shí)，3×3退化為1×1卷積核，只有中心的權(quán)重是有效的。

為了解決該問題并在模型中整合全局上下文信息，我們對(duì)最后的feature map采用全局池化，并經(jīng)過256個(gè)1×1的卷積核（BN），然后雙線性插值到所需空間維度。

最終ASPP包含
（a）一個(gè)1×1的卷積和三個(gè)3×3、rates＝（6，12，18）、output＿stride＝16的空洞卷積（256＋BN）。
（b）圖像級(jí)特征。將特征做全局平均池化，后卷積，再上采樣。
（a）中不同 rates的空洞卷積通過控制不同的 padding輸出相同的尺寸，（b）中上采樣后與（a）尺寸一致。
所有分支的結(jié)果被拼接起來并經(jīng)過1×1的卷積（256＋BN），最后經(jīng)過1×1卷積生成分割結(jié)果。

當(dāng)output＿stride＝8，采樣率加倍。

DeepLabv3＋

Encoder－Decoder with Atrous Separable Convolution for Semantic Image Segmentation
Link：https：／／arxiv．org／abs／1802．02611．pdf

引言

語義分割中的DCNN主要有兩種結(jié)構(gòu)：空間金字塔池化SPP和編碼器－解碼器encoder－decoder

SPP通過多種感受野池化不同分辨率的特征來挖掘上下文信息。
Encoder－decoder逐步重構(gòu)空間信息來更好的捕捉物體的邊緣。

DeepLabv3＋對(duì)DeepLabv3進(jìn)行了拓展，在encoder－decoder結(jié)構(gòu)上采用SPP模塊。encoder提取豐富的語義信息，decoder恢復(fù)精細(xì)的物體邊緣。encoder允許在任意分辨率下采用空洞卷積。

DeepLabv3＋貢獻(xiàn)

提出一個(gè)encoder－decoder結(jié)構(gòu)，其包含DeepLabv3作為encoder和高效的decoder模塊。

encoderdecoder結(jié)構(gòu)中可以通過空洞卷積來平衡精度和運(yùn)行時(shí)間，現(xiàn)有的encoder－decoder結(jié)構(gòu)是不可行的。

在語義分割任務(wù)中采用Xception模型并采用depthwise separable convolution，從而更快更有效。

相關(guān)工作

SPP

收集多尺度信息。
PSPNet、DeepLab

Encoder－decoder

encoder逐漸減小feature map并提取高層語義信息。
decoder逐漸恢復(fù)空間信息。

Depthwise separable convolution

深度可分離卷積或group convolution，在保持性能前提下，有效降低了計(jì)算量和參數(shù)量。

方法Encoder－Decoder

空洞卷積

該部分見DeepLabv2

深度可分離卷積

深度可分離卷積將標(biāo)準(zhǔn)卷積分解為depthwise conv后跟一個(gè)pointwise conv，有效地降低了計(jì)算復(fù)雜度。
depthwise tstride等于輸入圖像分辨率和輸出分辨率的比值。

圖像分類任務(wù)，最終的feature map通常比輸入圖像分辨率小32倍，因此outputstride＝32。
語義分割任務(wù)，令outputstride＝16or8，通過移除最后1or2個(gè)blocks并應(yīng)用空洞卷積（rate＝2or4）來密集提取特征。

在我們的encoder－decoder結(jié)構(gòu)中，采用DeepLabv3最后的feature map作為encoder的輸出，包含256個(gè)通道并富含語義信息。此外，可以通過空洞卷積以任意分辨率提取特征，取決于計(jì)算量。

decoder

DeepLabv3以factor＝16上采樣。
DeepLabv3＋首先以factor＝4上采樣，然后和尺寸相同的低層特征相拼接。低層特征采用1×1卷積降維，因?yàn)榈蛯犹卣骶S度一般比較高（256or512），將占較大權(quán)重（我們的模型只有256），使得訓(xùn)練變困難。拼接之后，我們采用3×3的卷積來細(xì)化特征，然后再以factor＝4雙線性插值。

改進(jìn) Aligned Xception

Xception模型用于圖像分類任務(wù)，Aligned Xception用于物體檢測(cè)任務(wù)，我們對(duì)Xception做了一些變化使其可用于語義分割任務(wù)。
1）更多的層，為了計(jì)算量和內(nèi)存，不對(duì)Entry flow網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行修改。
2）所有池化層替換為depthwise separable conv，以便采用 atrous separable conv提取任意分辨率的特征。
3）類似于MobileNet，在每個(gè)3×3后添加額外的BN和ReLU。