PSPNet | 语义分割及场景分析

小白学视觉

发布于 2022-09-28 11:16:16

6840

发布于 2022-09-28 11:16:16

文章被收录于专栏：深度学习和计算机视觉

本次，由香港中文大学(CUHK)和商汤科技(SenseTime)提出的金字塔场景解析网络(Pyramid Scene Parsing Network, PSPNet)已经过审阅。

语义分割的目标仅仅是获知已知对象的每个像素的类别标签。
场景解析是基于语义分割的，它的目标是获知图像内所有像素的类别标签。

场景解析

通过使用金字塔池化模块(Pyramid Pooling Module)，在整合基于不同区域的上下文后，PSPNet在效果上超过了FCN、DeepLab和DilatedNet等时下最佳的方法。PSPNet最终：

获得2016年ImageNet场景解析挑战的冠军
在PASCAL VOC 2012和Cityscapes数据集上取得当时的最佳效果

工作已发表于2017年CVPR，被引量超过600次。(SH Tsang @ Medium )

本文提纲

1. 对全局信息的需要

2.金字塔池化模块

3. 一些细节

4. 模型简化研究

5. 与时下最佳方法的比较

1. 对全局信息的需要

关系错误匹配：FCN基于外观将黄色框内的船预测为“汽车”。但根据常识，汽车很少会出现在河面上。
类别混淆：FCN将框内的对象一部分预测为“摩天楼”，一部分预测为“建筑物”。这些结果应当被排除，这样对象整体就会被分在“摩天楼”或“建筑物”其中一类中，而不会分属于两类。
细小对象的类别：枕头与床单的外观相似。忽略全局场景类别可能对导致解析“枕头”一类失败。

因此，我们需要图像的一些全局特征。

2.金字塔池化模块

特征提取后的金字塔池模块（颜色在本图中很重要！）

（a）和（b）

(a)为我们的一个输入图像。(b)采用扩展网络策略(DeepLab / DilatedNet)提取特征。在DeepLab后面加上扩张卷积。特征map的大小是这里输入图像的1/8。

（C）.1

在（c）处，对每个特征map执行子区域平均池化。

红色：这是在每个特征map上执行全局平均池的最粗略层次，用于生成单个bin输出。
橙色：这是第二层，将特征map划分为2×2个子区域，然后对每个子区域进行平均池化。
蓝色：这是第三层，将特征 map划分为3×3个子区域，然后对每个子区域进行平均池化。
绿色：这是将特征map划分为6×6个子区域的最细层次，然后对每个子区域执行池化。

(c).2. 1×1 卷积用于降维

然后对每个得到的特征map进行1×1卷积，如果金字塔的层次大小为N，则将上下文表示减少到原始的1/N(黑色)。

在本例中，N=4，因为总共有4个级别(红色、橙色、蓝色和绿色)。

如果输入特征map的数量为2048，则输出特征map为(1/4)×2048 = 512，即输出特征map的数量为512。

(c).3. 双线性插值用于上采样

采用双线性插值对每个低维特征map进行上采样，使其具有与原始特征map相同的大小(黑色)。

(c).4. 连接上下文聚合特征

所有不同级别的上采样特征map都与原始特征map(黑色)连接在一起。这些特征映射融合为全局先验。这就是金字塔池模块(c)的终止。

(d)

最后，通过卷积层生成最终预测的分割图(d)。

子区域平均池的概念实际上与SPPNet中的空间金字塔池化非常相似。先采用1×1卷积然后串联，与Xception或MobileNetV1使用的深度可分离卷积中的深度卷积非常相似，除了只是使用双线性插值使所有特征map的大小相等。

3.一些训练细节

中间的辅助损失项

· 辅助损失项用于训练过程中。辅助损失项有0.4的权重，以用来平衡最终损失和辅助损失。在测试时，则会放弃辅助损失。这是一种针对深度网络训练的深度监督训练策略。这个想法类似于GoogLeNet / Inception-v1中的辅助分类器（https://medium.com/coinmonks/paper-review-of-googlenet-inception-v1-winner-of-ilsvlc-2014-image-classification-c2b3565a64e7）。

· “多元”学习代替了“单元”学习。

4. 模型简化测试

ADE2K 数据集是ImageNet场景解析挑战赛2016中的数据集。它是一个更具挑战性的数据集，包含多达150个类和1,038个图像级标签。有20K/2K/3K图像用于训练/验证/测试。

验证集用于模型简化测试。

4.1. 最大值池化vs 平均池化，以及降维(DR)

不同算法在ADE2K验证集上的结果

ResNet50-Baseline: 基于ResNet50的扩张FCN。
‘B1’和‘B1236’: bin大小分别为{1×1}和{1×1,2×2,3×3,6×6}的池化特征map。
‘MAX’和‘AVE’: 最大池操作和平均池操作
‘DR’: 降维.

平均池始终有更好的结果。使用降维比不使用降维要好。

4.2 辅助损失

辅助损失项的不同权重在ADE2K验证集上的结果

α= 0.4得到最好的性能。因此,使用权重α= 0.4。

4.3. 不同网络层数和不同尺度(MS)的测试

不同层数以及不同尺度的网络在ADE2K验证集上的结果

如我们知道的一样，更深的模型有更好的结果。多尺度测试有助于提高测试结果。

4.4. 数据增强 (DA)以及与其他算法的对比

在ADE2K验证集上与最新的方法的比较结果(除最后一行外，所有方法都是单尺度的)。

ResNet269+DA+AL+PSP: 对于单一尺度的测试，所有的技巧结合在一起的话，这种算法比最先进的方法有很大的优势。

ResNet269+DA+AL+PSP+MS: 同时进行了多尺度测试，取得了较好的效果。

下面是一些例子:

ADE2K中的样例

5. 与最先进方法的比较

5.1. ADE2K - ImageNet场景解析挑战赛2016

ADE2K测试集结果

PSPNet赢得了2016年ImageNet场景解析挑战赛冠军。

5.2. PASCAL VOC 2012

在使用数据增强的情况下，有10582/1449/1456张图像用于训练/验证/测试。

PASCAL VOC 2012测试集结果

“+”表示模型经过MS COCO数据预训练。

同样，PSPNet优于所有最先进的方法，如FCN、DeconvNet、DeepLab和Dilation8。

下面是一些例子：

PASCAL VOC 2012样例

5.3. Cityscapes

这个数据集包含了来自50个不同季节的城市的5000张高质量的像素级精细注释图像。分别有2975/500/1525张图像用于训练/验证/测试。它定义了包含材料和物品的19个类别。此外，我们亦为两种设定提供了20000张粗略注释的图像作比较，即，只使用精细数据以及同时使用精细和粗略标注数据进行训练。两者的训练都用“++”标记。