Deeplab-V3
Rethinking Atrous Convolution for Semantic Image Segmentation
[Paper]
[Code-TensorFlow]
摘要
- DeeplabV1&V2 - 带孔卷积(atrous convolution), 能够明确地调整filters的接受野(field-of-view)，并决定DNN计算得到特征的分辨率；
- DeeplabV3 - 多尺度(multiple scales)分割物体，设计了串行和并行的带孔卷积模块，采用多种不同的atrous rates来获取多尺度的内容信息；
- DeeplabV3 - 提出 Atrous Spatial Pyramid Pooling(ASPP)模块, 挖掘不同尺度的卷积特征，以及编码了全局内容信息的图像层特征，提升分割效果；
- DeeplabV3 - 无需DenseCRF后处理.
Introduction
- Atrous convolution
- Atrous convolution, 即dilated convolution, 它通过移除最后几层的下采样操作以及对应filter 核的上采样操作，来提取更紧凑的特征，相当于在不同的 filter权重间插入 holes;
- Atrous convolution, 决定了DCNNs计算的特征的分辨率，而不增加新的额外学习参数.
- Multiple scales 常见的多尺度处理
- DeeplabV3
- 在串行模块和 spatial pyramid pooling 模块的网络结构中，atrous convolution,都能够有效增加filters的接受野，整合多尺度信息.
- 提出的串行和并行ASPP网络模块包含了不同rates 的atrous convolution处理与batch normalization layers，对于网络训练很重要.
- 一个重要的实际问题是，采用rate非常大的3×3 atrous convolution，由于图像边界效应，不能捕捉图像的大范围信息，effectively simply degenerating to 1×1 convolution, 故这里提出将图像层特征整合仅ASPP模块中.
3 Methods
这里主要回顾如何应用atrous convolution来提取紧凑的特征，以进行语义分割; 然后介绍在串行和并行中采用atrous convolution的模块.
3.1 Atrous Convolution for Dense Feature Extraction
3.2 Going Deeper with Atrous Convolution
- 以串行方式设计 atrous convolution 模块
- 复制ResNet的最后一个block，如Figure3的 block4，并将复制后的blocks以串行方式级联；
- 各block中有三个convolutions， 除了最后一个block， 其它block的最后一个convolution的步长都为2， 类似于原来的ResNet.
这种网络模型设计的动机，引入的 stride 能更容易的捕获较深的blockes中的大范围信息. 例如，整体图像feature可以融合到最后一个小分辨率的 feature map 中，如Figure3(a). 不过，这种连续的步长式设计，对于语义分割是不利的，会破坏图像的细节信息. 因此，这里采用由期望 outpur_stride 值来确定 rates 的atrous convolution 进行模型设计，如Figure3(b). 采用串行的ResNet， 级联block为block5、block6、block7，均为block4的复制，如果没有 atrous convolution， 其output_stride=256.
3.2.1 Multigrid
3.3 Atrous Spatial Pyramid Pooling
- ASPP, 采用四个并行的不同 atrous rates 的 atrous convolutions对 feature map 进行处理，灵感来自 spatial pyramid pooling.
- ASPP, deeplabv3 中，将 batch normalization 加入到 ASPP模块.
- 具有不同 atrous rates 的 ASPP 能够有效的捕获多尺度信息. 不过，论文发现，随着sampling rate的增加，有效filter特征权重(即有效特征区域，而不是补零区域的权重)的数量会变小. 如图Figure4，当采用具有不同 atrous rates的 3×3 filter 应用到 65×65 feature map时，在 rate 值接近于 feature map 大小的极端情况，该 3×3 filter 不能捕获整个图像内容嘻嘻，而退化成了一个简单的 1×1 filter， 因为只有中心 filter 权重才是有效的.
- 针对上面的问题，并将全局内容信息整合进模型中，论文采用图像级特征.
- 即，采用全局平均池化(global average pooling)对模型的 feature map 进行处理，将得到的图像级特征输入到一个 1×1 convolution with 256 filters(加入 batch normalization)中，然后将特征进行双线性上采样(bilinearly upsample)到特定的空间维度.
- 最后，论文改进了ASPP， 即，
- (a) 当output_stride=16时，包括一个 1×1 convolution 和三个3×3 convolutions，其中3×3 convolutions的 rates=(6,12,18)，(所有的filter个数为256，并加入batch normalization). 需要注意的是，当output_stride=8时，rates将加倍.
- (b) 图像级特征, 如 Figure5.
- 连接所有分支的最终特征，输入到另一个 1×1 convolution(所有的filter个数也为256，并加入batch normalization)，再进入最终的 1×1 convolution，得到 logits 结果.
results
