圖像語義分割，簡單而言就是給定一張圖片，對圖片上的每一個像素點分類。
圖像語義分割，從FCN把深度學習引入這個任務，一個通用的框架事：前端使用FCN全卷積網絡輸出粗糙的label map，后端使用CRF條件隨機場/MRF馬爾科夫隨機場等優化前端的輸出，最后得到一個精細的分割圖。
前端
為什么需要FCN？
分類網絡通常會在最后連接幾層全連接層，它會將原來二維的矩陣（圖片）壓縮成一維的，從而丟失了空間信息，最后訓練輸出一個標量，這就是我們的分類標簽。
而圖像語義分割的輸出需要是個分割圖，且不論尺寸大小，但是至少是二維的。所以，流行的做法是丟棄全連接層，換上全卷積層，而這就是全卷積網絡了。具體定義請參看論文：《Fully Convolutional Networks for Semantic Segmentation》
FCN結構
在FCN論文中，作者的FCN主要使用了三種技術：
卷積（Convolutional）、上采樣（Upsample）、跳層連接（Skip Layer）
卷積化即是將普通的分類網絡，比如VGG16，ResNet50/101等網絡丟棄全連接層，換上對應的卷積層即可。
上采樣即是反卷積（Deconvolution）。當然關於這個名字不同框架不同，Caffe和Kera里叫Deconvolution，而tensorflow里叫conv_transpose，在《信號與系統》這門課上，我們學過反卷積有定義，不是這里的上采樣。所以叫conv_transpose更為合適。
眾所周知，池化會縮小圖片的尺寸，比如VGG16 五次池化后圖片被縮小了32倍。為了得到和原圖等大的分割圖，我們需要上采樣/反卷積。反卷積和卷積類似，都是相乘相加的運算。只不過后者是多對一，前者是一對多。而反卷積的前向和后向傳播，只用顛倒卷積的前后向傳播即可。所以無論優化還是后向傳播算法都是沒有問題。上池化的實現主要在於池化時記住輸出值的位置，在上池化時再將這個值填回原來的位置，其他位置填0。圖解如下：
雖然文中說是可學習的反卷積，但是作者實際代碼並沒有讓它學習，可能正是因為這個一對多的邏輯關系。代碼如下：
1 layer { 2 name: "upscore" 3 type: "Deconvolution" 4 bottom: "score_fr" 5 top: "upscore" 6 param { 7 lr_mult: 0 8 } 9 convolution_param { 10 num_output: 21 11 bias_term: false 12 kernel_size: 64 13 stride: 32 14 } 15 }
可以看到lr_mult被設置為0。
跳層連接的作用就在於優化結果，因為如果將全卷積之后的結果直接上采樣，得到的結果是很粗糙的，所以作者將不同池化層的結果進行上采樣之后來優化輸出。具體結構如下：
不同上采樣得到的結果對比如下：
當然，你也可以將pool1， pool2的結果輸出，再上采樣輸出。不過，作者說了這樣得到的結果提升並不大。FCN是深度學習應用於圖像語義分割的開山之作，所以得了CVPR2015的最佳論文。但是，還是有一些處理比較粗糙的地方，具體和后面對比就知道了。
FCN-alike
《SegNet: A Deep Convolutional Encoder-Decoder Architecture for Robust Semantic Pixel-Wise Labelling》則是一種結構上更為優雅的網絡，SegNet使用一種概率自編碼模型，這是一種無監督特征生成網絡。當然，他們的label還是需要監督的。
DeepLab
DeepLab是Google提出的一個model，在VOC上的排名要比CRF as RNN的效果好。Deeplab仍然采用了FCN來得到score map，並且也是在VGG網絡上進行fine-tuning。但是在得到score map的處理方式上，要比原FCN處理的優雅很多。
還記得FCN中是怎么得到一個更加dense的score map的嗎？ 是一張500x500的輸入圖像，直接在第一個卷積層上conv1_1加了一個100的padding。最終在fc7層勉強得到一個16x16的score map。雖然處理上稍顯粗糙，但是畢竟人家是第一次將圖像分割在CNN上變成end-to-end，並且在當時performance是state-of-the-art。
而怎樣才能保證輸出的尺寸不會太小而又不必加100 padding這樣“粗糙的”做法呢？可能有人會說減少池化層不就行了，這樣理論上是可以的，但是這樣直接就改變了原先可用的結構了，而且最重要的一點是不能用以前的結構參數進行fine-tune了。
所以，Deeplab這里使用了一個非常優雅的做法：將VGG網絡的pool4和pool5層的stride由原來的2改為了1，再加上 1 padding。就是這樣一個改動，使得vgg網絡總的stride由原來的32變成8，進而使得在輸入圖像為514x514時，fc7能得到67x67的score map, 要比FCN確實要dense很多很多。
但是這種改變網絡結果的做法也帶來了一個問題： stride改變以后，如果想繼續利用vgg model進行fine tuning，會導致后面感受野發生變化。這個問題在下圖(a) (b)體現出來了，注意花括號就是感受野的大小：
感受野就是輸出feature map某個節點的響應對應的輸入圖像的區域。比如我們第一層是一個3*3的卷積核，那么我們經過這個卷積核得到的feature map中的每個節點都源自這個3*3的卷積核與原圖像中3*3的區域做卷積，那么我們就稱這個feature map的節點感受野大小為3*3。
具體計算公式為：
其中rn表示第n層layer的輸入的某個區域，sn表示第n層layer的步長，kn表示kernel/pooling size
Deeplab提出了一種新的卷積，帶孔的卷積：Atrous Convolution。來解決兩個看似有點矛盾的問題：
既想利用已經訓練好的模型進行fine-tuning，又想改變網絡結構得到更加dense的score map。
如下圖(a) (b)所示，在以往的卷積或者pooling中，一個filter中相鄰的權重作用在feature map上的位置是連續的。
為了保證感受野不發生變化，某一層的stride由2變為1以后，后面的層需要采用hole算法，具體來講就是將連續的連接關系根據hole size大小變成skip連接。
上圖(C)中使用hole為2的Atrous Convolution則感受野依然為7。(C)中的padding為2，如果再增加padding大小，是不是又變”粗糙”了？當然不會，因為是Atrous Convolution，連接是skip的，所以2個padding不會同時和一個filter相連。
所以，Atrous Convolution能夠保證在這樣的池化后感受野不變，從而可以fine tune，同時也能保證輸出的結果更加精細。即：
后端
DeepLab后面接了一個全連接條件隨機場(Fully-Connected Conditional Random Fields)對分割邊界進行refine。
DeepLab里只是變成了refine label map。CRF經常用於 pixel-wise的label 預測。把像素的label作為隨機變量，像素與像素間的關系作為邊，即構成了一個條件隨機場且能夠獲得全局觀測時，CRF便可以對這些label進行建模。全局觀測通常就是輸入圖像。
在全連接的CRF模型中，標簽x 的能量可以表示為：
精細化的結果如下：
CRF-alike
CRFasRNN
在深度學習中，我們都追求end-to-end的系統，所以Conditional Random Fields as Recurrent Neural Networks 這篇文章的套路更深了……把Mean Field算法嵌入在網絡層中。自己寫了caffe一層，用類似於Conv的操作模擬Mean Field的四步，具體實現細節可以參照論文中所給的代碼。
馬爾科夫隨機場(MRF)
在Deep Parsing Network中使用的是MRF，它的公式具體的定義和CRF類似，只不過作者對二元勢函數進行了修改：
這個結構的優點在於：
- 將Mean fied 構造成CNN
- 聯合訓練並且可以one-pass inference，而不用迭代。
總結
深度學習+概率圖模型（PGM）是一種趨勢。深度學習可以更好的提取特征，而PGM能夠從數學理論很好的解釋事物本質間的聯系。概率圖模型的網絡化也是一種趨勢，我們目標是end-to-end的學習系統。
引用
[1]Fully Convolutional Networks for Semantic Segmentation
[2]Learning Deconvolution Network for Semantic Segmentation
[3]DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs
[4]Semantic Image Segmentation with Deep Convolutional Nets and Fully Connected CRFs
[5]Conditional Random Fields as Recurrent Neural Networks
[6]SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation
原文地址： http://blog.csdn.net/junparadox/article/details/52610744