DeepLab: Semantic Images Segmentation with DCNNs,Atrous Convolution,and Fully connected CRFs

Abstract

用 DL做 semantic image segmentation，本文有three main contributions:

1. atrous convolution：提高feature map的分辨率 ，不增加参数的前提下增大感受野。
2. Atrous Spatial Pyramid Pooling(ASPP)：来对不同的尺度做分割.提高了效果。
3. CRF：进一步提升localization的性能

INTRODUCTION

3个挑战和解决办法：

1. 连续的max-pooling and downsampling 使得feature map的size减小太多，不利于后续处理.
   feature map减少太快的原因是因为max pooling,downsampling(striding)依次用在原图上面，导致feature map size迅速减少.为了克服这个问题，DeepLab对于网络的最后几层并没有再继续使用pooling,downsampling(striding)，而是用upsample来替代。作者使用 atrous convolution来作为upsample的手段。之后再使用bilinear interpolation来恢复到原图大小。
2. 多尺度的图片
   最直接的方法是利用原图的不同尺寸输入到针对不同尺寸的DCNN中，然后将这些CNN的feature map结合起来生成最后的结果，事实证明这样做效果很好，但是操作太麻烦，太耗时。受SPP的启发，作者提出了atrous spatial pyramid pooling直接在原图这一个input的基础上提取中多scale的信息。
3. invariance to spatial transformations
   FCN是采取skip layer的措施，作者是采用 全连接的CRF 这样做的优势 是： 速度快，准确率高，结构简单

网络架构

先使用deep network抽取feature map,去掉deep network后面的全连接层，用atrous convolution层替代，用最原始的双线性插值恢复到原图大小，最后使用CRF平滑边界，得到最终语义分割结果.

METHODS

1. Atrous Convolution for Dense Feature Extraction and Field-of-View Enlargement
   1-D ：
   

   
   
   2-D：
   
   

   给定一张图片，首先一个下采样使其变成原来的一半，再来一个kernel_size = 7的convolution,(垂直高斯导数是什么东东)，如果把特征图放到原图片中，发现得到的特征图只是原来图片的四分之一的响应。但是如果我们使用atrous convolution ，在整张图片上进行卷积运算，就能够得到整张图片的特征响应。其中，将原始的滤波器2倍的上采样，即在滤波器的值与值之间插入一个0。虽然滤波器变大了，但是我们只需要考虑非0值，因此滤波器的参数，每个位置的操作数并未改变。
   
   Atrous convolution 还能扩大感受野，当atrous convolution 的rate = r ,kernel size =k 时，在不增加参数和计算量的前提下，变相的扩大了kernel size.实际的kernel大小ke = k + (k-1)(r-1)。关于感受野扩大的解释的较清晰的，请移步here。
   实现Atrous convolution 方式有两种，具体的请看原论文。

2. ASPP

   
   
   
   
   

   在SPP中，是根据输入的size来确定池化的size，才能得到一样的特征图，但在这里，是利用不同rate的Atrous Convolution，再进一步的处理，从而得到一样的特征图。。。好吧，其实并不知道他怎么就能一致了，不同的输入size，即使经过不同rate的Atrous Convolution，得到的额feature map size还不是不同的么？？？

3. Structured Prediction with Fully-Connected Conditional Random Fields for Accurate Boundary Recovery

可以看到，经过CRFs的处理，结果还是很棒的

CRF经常用于 pixel-wise的label 预测。把像素的label作为随机变量，像素与像素间的关系作为边，即构成了一个条件随机场且能够获得全局观测时，CRF便可以对这些label进行建模。全局观测通常就是输入图像。

令随机变量Xi是像素i的标签，Xi∈L=l1,l2,...,lL，令变量X是由X1,X2,...,XN组成的随机向量，N就是图像的像素个数。 假设图 G=(V,E)，其中V=X1,X2,...,XN，全局观测为I 。条件随机场符合吉布斯分布，(I,X)可以被模型为CRF，

在全连接的CRF模型中，标签x 的能量可以表示为：

其中， θi(xi) 是一元能量项，代表着将像素 i分成label xi 的能量，二元能量项φp(xi,xj)是对像素点 i、j同时分割成xi、xj的能量。 二元能量项描述像素点与像素点之间的关系，鼓励相似像素分配相同的标签，而相差较大的像素分配不同标签，而这个“距离”的定义与颜色值和实际相对距离有关。所以这样CRF能够使图片尽量在边界处分割。最小化上面的能量就可以找到最有可能的分割。而全连接条件随机场的不同就在于，二元势函数描述的是每一个像素与其他所有像素的关系，所以叫“全连接”。
具体来说，在DeepLab中一元能量项直接来自于前端FCN的输出，计算方式如下：

而二元能量项的计算方式如下：

其中，μ(xi,xj)=1，当i≠j时，其他时候值为0。也就是说当标签不同时，才有惩罚。剩余表达式是在不同特征空间的两个高斯核函数，第一个基于双边高斯函数基于像素位置p和RGB值I，强制相似RGB和位置的像素分在相似的label中，第二个只考虑像素位置，等于施加一个平滑项。 超参数σα，σβ，σγ控制高斯核的权重。

REFERENCES

从FCN到DeepLab
董卓瑶 deeplab笔记
paper