https://mp.weixin.qq.com/s/9kPerUT-ljgbBFPgcNgFqQ
1
前言
很多關注的朋友一直會問“計算機視覺研究院“有基礎性的內容嗎？”，今天我和大家說一次，我們平台之前有推送很多基礎的知識，有興趣的或者是剛剛接觸CV&DL的你，可以去歷史消息閱讀，在這也感謝所有一直關注和支持我們的小伙伴！接下來就和大家說說目標分割的事吧~
分割其實在很多領域是非常重要的研究對象，現在也有很多研究者在該領域大展身手，比如何大神，一直在該方面的做的最優秀之一，今天就基於他CVPR 2018的一篇優秀Paper說起。
2
概述
大多數目標實例分割的方法都要求所有的訓練樣本帶有segmentation masks。這種要求就使得注釋新類別的開銷很大，並且將實例分段模型限制為∼100注釋良好的類。
本次技術目的是提出一種新的部分監督的訓練模式，該模式具有一種新的權重傳遞函數，結合一種新的權重傳遞函數，可以在一大組類別上進行訓練實例分割模型，所有這些類別都有框注釋，但只有一小部分有mask注釋。這些設計允許我們訓練MASK R-CNN，使用VisualGenome數據集的框注釋和COCO數據集中80個類的mask注釋來檢測和分割3000種視覺概念。
最終，在COCO數據集的對照研究中評估了提出的方法。這項工作是邁向對視覺世界有廣泛理解的實例分割模型的第一步。
在正式細說本次分割技術之前，還是簡單說下分割的事，有一個簡單的引言和大家分享下，沒有興趣的您可以直接跳過，閱讀關鍵技術部分，謝謝！
目標檢測器已經變得更加精確，並獲得了重要的新功能。最令人興奮的是能夠預測每個檢測到的目標前景分割mask，這是一個稱為instance segmentation的任務。在實踐中，典型的instance segmentation系統僅限於僅包含大約100個目標類別的廣闊視覺世界的一小部分。
-
會有很多人問：什么是語義分割？
語義分割其實就是對圖片的每個像素都做分類。其中，較為重要的語義分割數據集有：VOC2012 以及 MSCOCO 。
-
比較流行經典的幾種方法
傳統機器學習方法：如像素級的決策樹分類，參考TextonForest以及Random Forest based classifiers。再有就是深度學習方法。深度學習最初流行的分割方法是，打補丁式的分類方法 (patch classification) 。逐像素地抽取周圍像素對中心像素進行分類。由於當時的卷積網絡末端都使用全連接層 (full connected layers) ，所以只能使用這種逐像素的分割方法。但是到了2014年，來自伯克利的Fully Convolutional Networks(FCN)【點擊藍色，有鏈接直接可以閱讀全卷積網絡相關資料】卷積網絡，去掉了末端的全連接層。隨后的語義分割模型基本上都采用了這種結構。除了全連接層，語義分割另一個重要的問題是池化層。池化層能進一步提取抽象特征增加感受域，但是丟棄了像素的位置信息。但是語義分割需要類別標簽和原圖像對齊，因此需要從新引入像素的位置信息。有兩種不同的架構可以解決此像素定位問題。
-
第一種是編碼-譯碼架構。編碼過程通過池化層逐漸減少位置信息、抽取抽象特征；譯碼過程逐漸恢復位置信息。一般譯碼與編碼間有直接的連接。該類架構中U-net 是最流行的。
-
第二種是膨脹卷積 (dilated convolutions) 【這個核心技術值得去閱讀學習】，拋棄了池化層。使用的卷積核如下圖所示：
居然都說到這里，那我繼續來簡單說一些相關的文獻吧。
按時間順序總結，大概我能總結9篇paper，看語義分割的結構是如何演變的。分別有FCN 、SegNet 、U-Net、Dilated Convolutions 、DeepLab (v1 & v2) 、RefineNet 、PSPNet 、Large Kernel Matters 、DeepLab v3 。
參考文章：（“計算機視覺戰隊”微信公眾平台推送）
1）FCN 2014年
主要的貢獻：
-
為語義分割引入了 端到端 的全卷積網絡，並流行開來
-
重新利用 ImageNet 的預訓練網絡用於語義分割
-
使用 反卷積層 進行上采樣
-
引入跳躍連接來改善上采樣粗糙的像素定位
比較重要的發現是，分類網絡中的全連接層可以看作對輸入的全域卷積操作，這種轉換能使計算更為高效，並且能重新利用ImageNet的預訓練網絡。經過多層卷積及池化操作后，需要進行上采樣，FCN使用反卷積（可學習）取代簡單的線性插值算法進行上采樣。
2）SegNet 2015年
編碼-譯碼架構
主要貢獻：將池化層結果應用到譯碼過程。引入了更多的編碼信息。使用的是pooling indices而不是直接復制特征，只是將編碼過程中 pool 的位置記下來，在 uppooling 是使用該信息進行 pooling 。
3）U-Net 2015
U-Net有更規整的網絡結構，通過將編碼器的每層結果拼接到譯碼器中得到更好的結果。
4）Dilated Convolutions 2015年
通過膨脹卷積操作聚合多尺度的信息
主要貢獻：
-
使用膨脹卷積
-
提出 ’context module‘ ，用來聚合多尺度的信息
池化在分類網絡中能夠擴大感知域，同樣降低了分辨率，所以提出了膨脹卷積層。
5）DeepLab (v1 & v2) 2014 & 2016
“計算機視覺戰隊”微信公眾平台推送過，可以查閱：
6）RefineNet 2016年
主要貢獻：
-
精心設計的譯碼模塊
-
所有模塊遵循殘余連接設計
膨脹卷積有幾個缺點，如計算量大、需要大量內存。這篇文章采用編碼-譯碼架構。編碼部分是ResNet-101模塊。譯碼采用RefineNet模塊，該模塊融合了編碼模塊的高分辨率特征和前一個RefineNet模塊的抽象特征。每個RefineNet模塊接收多個不同分辨率特征，並融合。
7）PSPNet 2016年
Pyramid Scene Parsing Network 金字塔場景解析網絡
主要貢獻：
-
提出了金字塔池化模塊來聚合圖片信息
-
使用附加的損失函數
金字塔池化模塊通過應用大核心池化層來提高感知域。使用膨脹卷積來修改ResNet網，並增加了金字塔池化模塊。金字塔池化模塊對ResNet輸出的特征進行不同規模的池化操作，並作上采樣后，拼接起來，最后得到結果。
本文提出的網絡結構簡單來說就是將DeepLab（不完全一樣）aspp之前的feature map pooling了四種尺度之后將5種feature map concat到一起經過卷積最后進行prediction的過程。
8）Large Kernel Matters 2017
主要貢獻：
-
提出了使用大卷積核的編碼-譯碼架構
理論上更深的ResNet能有很大的感知域，但研究表明實際上提取的信息來自很小的范圍，因此使用大核來擴大感知域。但是核越大，計算量越大，因此將k x k的卷積近似轉換為1 x k + k x 1和k x 1 + 1 x k卷積的和，稱為GCN。
本文的架構是：使用ResNet作為編譯器，而GCN和反卷積作為譯碼器。還使用了名為Boundary Refinement的殘余模塊。
9）DeepLab v3 2017（這個我們即將給大家接着上次系列繼續分享）
主要貢獻：
-
改進 ASPP
-
串行部署 ASPP 的模塊
和DeepLab v2一樣，將膨脹卷積應用於ResNet中。改進的ASPP指的是將不同膨脹率的膨脹卷積結果拼接起來，並使用了BN 。與Dilated convolutions (2015) 不一樣的是，v3直接對中間的特征圖進行膨脹卷積，而不是在最后做。
小總結：
現在把之前較為典型的簡單介紹了一遍，現在接下來我們繼續說今天這個分割技術。
3
學習分割Everything
讓C是一組目標類別，希望為其訓練一個instance segmentation模型。大多數現有方法假設C中的所有訓練樣本都帶有instance mask。於是，本次放寬了這一要求，而是假設C=A∪B，其中來自A中類別的樣本有mask，而B中的只有邊界框。由於B類的樣本是弱標記的w.r.t.目標任務(instance segmentation)，將強標簽和弱標簽組合的訓練作為一個部分監督的學習問題。注意到可以很容易地將instance mask轉換為邊界框，假設邊界框注釋也適用於A中的類。給出了一個包含邊界框檢測組件和mask預測組件的MASK R-CNN instance segmentation模型，提出了MaskX R-CNN方法，該方法將特定類別的信息從模型的邊界框檢測器轉移到其instance mask預測器。
-
權重傳遞來Mask預測
本方法是建立在Mask R-CNN，因為它是一個簡單的instance segmentation模型，也取得了最先進的結果。簡單地說，MASK R-CNN可以被看作是一個更快的R-CNN邊界框檢測模型，它有一個附加的mask分支，即一個小的全卷積網絡(FCN)。
在推理時，將mask分支應用於每個檢測到的對象，以預測instance-level的前景分割mask。在訓練過程中，mask分支與Faster R-CNN中的標准邊界框head並行訓練。在Mask R-CNN中，邊界框分支中的最后一層和mask分支中的最后一層都包含特定類別的參數，這些參數分別用於對每個類別執行邊界框分類和instance mask預測。與獨立學習類別特定的包圍框參數和mask參數不同，我們建議使用一個通用的、與類別無關的權重傳遞函數來預測一個類別的mask參數，該函數可以作為整個模型的一部分進行聯合訓練。
具體如下如所示：
-
Training
在訓練期間，假設對於A和B兩組類，instance mask注釋僅適用於A中的類，而不適用於B中的類，而A和B中的所有類都有可用的邊界框注釋。如上圖所示，我們使用A∪B中所有類的標准框檢測損失來訓練邊界框head，但只訓練mask head和權重傳遞函數T(·)，在A類中使用mask loss，考慮到這些損失，我們探索了兩種不同的訓練過程：分階段訓練和端到端訓練。
分階段訓練
由於Mask R-CNN可以被看作是用mask head增強Faster R-CNN，一種可能的訓練策略是將訓練過程分為檢測訓練(第一階段)和分割訓練(第二階段)。
在第一階段，只使用A∪B中類的邊界框注釋來訓練一個Faster R-cnn，然后在第二階段訓練附加的mask head，同時保持卷積特征和邊界框head的固定。這樣，每個c類的類特定檢測權重wc可以被看作是在訓練第二階段時不需要更新的固定類emdet層疊向量。
該方法具有很好的實用價值，使我們可以對邊界框檢測模型進行一次訓練，然后對權重傳遞函數的設計方案進行快速評估。它也有缺點，這是我們接下來要討論的。
端到端聯合訓練
結果表明，對於MASK R-CNN來說，多任務訓練比單獨訓練更能提高訓練效果。上述分階段訓練機制將檢測訓練和分割訓練分開，可能導致性能低下。
因此，我們也希望以一種端到端的方式，聯合訓練邊界框head和mask head。原則上，可以直接使用A∪B中類的box損失和A中類的mask loss來進行反向傳播訓練，但是，這可能導致A組和B組之間的類特定檢測權重Wc的差異，因為只有c∈A的Wc會通過權重傳遞函數T(·)從mask loss得到梯度。
我們希望Wc在A和B之間是均勻的，這樣在A上訓練的預測Wc=T(Wc；θ)可以更好地推廣到B。
4
實驗
表1 Ablation on input to T
表2 Ablation on the structure of T
表3 Impact of the MLP mask branch
表4 Ablation on the training strategy
Each point corresponds to our method on a random A/Bsplit of COCO classes.
效果圖
Mask predictions from the class-agnostic baseline (top row) vs. our MaskX R-CNN approach (bottom row). Green boxes are classes in set A while the red boxes are classes in set B. The left 2 columns are A = {voc} and the right 2 columns are A = {non-voc}.
Example mask predictions from our MaskX R-CNN on 3000 classes in Visual Genome. The green boxes are the 80 classes that overlap with COCO (set A with mask training data) while the red boxes are the remaining 2920 classes not in COCO (set B without mask training data). It can be seen that our model generates reasonable mask predictions on many classes in set B. See §5 for details.