從FCN/U-Net看CNN圖像語義分割經典方法

FCN論文地址：FCN paper

FCN原作代碼：FCN github

圖像語義分割(Semantic Segmentation)是圖像處理和是機器視覺技術中關於圖像理解的重要一環，也是 AI 領域中一個重要的分支。語義分割即是對圖像中每一個像素點進行分類，確定每個點的類別（如屬於背景、人或車等），從而進行區域划分。目前，語義分割已經被廣泛應用於自動駕駛、無人機落點判定等場景中。

而截止目前，CNN已經在圖像分類分方面取得了巨大的成就，涌現出如VGG和Resnet等網絡結構，並在ImageNet中取得了好成績。CNN的強大之處在於它的多層結構能自動學習特征，並且可以學習到多個層次的特征：

1. 較淺的卷積層感知域較小，學習到一些局部區域的特征；
2. 較深的卷積層具有較大的感知域，能夠學習到更加抽象一些的特征。

這些抽象特征對物體的大小、位置和方向等敏感性更低，從而有助於分類性能的提高。這些抽象的特征對分類很有幫助，可以很好地判斷出一幅圖像中包含什么類別的物體。圖像分類是圖像級別的！

與分類不同的是，語義分割需要判斷圖像每個像素點的類別，進行精確分割。圖像語義分割是像素級別的！但是由於CNN在進行convolution和pooling過程中丟失了圖像細節，即feature map size逐漸變小，所以不能很好地指出物體的具體輪廓、指出每個像素具體屬於哪個物體，無法做到精確的分割。

針對這個問題，Jonathan Long等人提出了Fully Convolutional Networks（FCN）用於圖像語義分割。自從提出后，FCN已經成為語義分割的基本框架，后續算法其實都是在這個框架中改進而來。

FCN改變了什么？

對於一般的分類CNN網絡，如VGG和Resnet，都會在網絡的最后加入一些全連接層，經過softmax后就可以獲得類別概率信息。但是這個概率信息是1維的，即只能標識整個圖片的類別，不能標識每個像素點的類別，所以這種全連接方法不適用於圖像分割。

而FCN提出可以把后面幾個全連接都換成卷積，這樣就可以獲得一張2維的feature map，后接softmax獲得每個像素點的分類信息，從而解決了分割問題，如圖4。

FCN結構

整個FCN網絡基本原理如圖5（只是原理示意圖）：

1. image經過多個conv和+一個max pooling變為pool1 feature，寬高變為1/2
2. pool1 feature再經過多個conv+一個max pooling變為pool2 feature，寬高變為1/4
3. pool2 feature再經過多個conv+一個max pooling變為pool3 feature，寬高變為1/8
4. ......
5. 直到pool5 feature，寬高變為1/32。

那么：

1. 對於FCN-32s，直接對pool5 feature進行32倍上采樣獲得$32\times $upsampled feature，再對$32\times $upsampled feature每個點做softmax prediction獲得$32\times $upsampled feature prediction（即分割圖）。
2. 對於FCN-16s，首先對pool5 feature進行2倍上采樣獲得\(2\times\)upsampled feature，再把pool4 feature和\(2\times\)upsampled feature逐點相加，然后對相加的feature進行16倍上采樣，並softmax prediction，獲得\(16\times\)upsampled feature prediction。
3. 對於FCN-8s，首先進行pool4+\(2\times\)upsampled feature逐點相加，然后又進行pool3+\(2\times\)upsampled逐點相加，即進行更多次特征融合。具體過程與16s類似，不再贅述。

作者在原文種給出3種網絡結果對比，明顯可以看出效果：FCN-32s < FCN-16s < FCN-8s，即使用多層feature融合有利於提高分割准確性。

什么是上采樣？

說了半天，到底什么是上采樣？

實際上，上采樣（upsampling）一般包括2種方式：

1. Resize，如雙線性插值直接縮放，類似於圖像縮放（這種方法在原文中提到）
2. Deconvolution，也叫Transposed Convolution

什么是Resize就不多說了，這里解釋一下Deconvolution。

對於一般卷積，輸入藍色\(4\times 4\)矩陣，卷積核大小\(3\times 3\)。當設置卷積參數pad=0，stride=1時，卷積輸出綠色\(2\times 2\)矩陣，如下圖。

而對於反卷積，相當於把普通卷積反過來，輸入藍色\(2\times 2\)矩陣（周圍填0變成\(6\times 6\)），卷積核大小還是\(3\times 3\)。當設置反卷積參數pad=0，stride=1時輸出綠色\(4\times 4\)矩陣，如下圖，這相當於完全將圖4倒過來（其他更多卷積示意圖點這里）。

傳統的網絡是subsampling的，對應的輸出尺寸會降低；upsampling的意義在於將小尺寸的高維度feature map恢復回去，以便做pixelwise prediction，獲得每個點的分類信息。

上采樣在FCN網絡中的作用如上圖，明顯可以看到經過上采樣后恢復了較大的pixelwise feature map（其中最后一個層21-dim是因為PACSAL數據集有20個類別+Background）。這其實相當於一個Encode-Decode的過程。

具體的FCN網絡結構，可以在fcn caffe prototext中查到，建議使用Netscope查看網絡結構。這里解釋里面的難點：

• 為了解決圖像過小后 1/32 下采樣后輸出feature map太小情況，FCN原作者在第一個卷積層conv1_1加入pad=100。

layer {
  name: "conv1_1"
  type: "Convolution"
  bottom: "data"
  top: "conv1_1"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  convolution_param {
    num_output: 64
    pad: 100             # pad=100
    kernel_size: 3
    stride: 1
  }
}

考慮如果不在conv1_1加入pad=100，會發生什么？

假設輸入圖像高度為h。由於VGG中縮小輸出feature map只在pooling層，經過每個pooling后輸出高度變為：

\[\begin{matrix}pool1&h^1=(h-2)/2+1=h/2\\pool2&h^2=(h^1-2)/2+1=h/2^2\\...&...\\pool5&h^5=(h^4-2)/2+1=h/2^5\end{matrix} \]

很明顯，feature map的尺寸縮小了32倍，接下來是fc6卷積層:

layer {
  name: "fc6"
  type: "Convolution"
  bottom: "pool5"
  top: "fc6"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  convolution_param {
    num_output: 4096
    pad: 0
    kernel_size: 7
    stride: 1
  }
}

\[\begin{matrix}fc6&h^6=(h^5-7)/1+1=(h-192)/2^5\end{matrix} \]

如果不在conv1_1加入pad=100，那么對於小於\(192\times 192\)的輸入圖像，在反卷積恢復尺寸前已經feature map size = 0！所以在conv1_1添加pad=100的方法，解決輸入圖像大小的問題（但是實際也引入很大的噪聲）。

• 由於FCN在conv1_1加入pad=100，同時fc6卷積層也會改變feature map尺寸，那么真實的網絡就不可能像原理圖3那樣“完美1/2”。

那么在特征融合的時候，如何保證逐點相加的feature map是一樣大的呢？這就要引入crop層了。以fcn-8s score_pool4c為例：

layer {
  name: "score_pool4c"
  type: "Crop"
  bottom: "score_pool4"  # 需要裁切的blob
  bottom: "upscore2"     # 用於指示裁切尺寸的blob，和輸出blob一樣大
  top: "score_pool4c"    # 輸出blob
  crop_param {
    axis: 2
    offset: 5
  }
}

在caffe中，存儲數據的方式為 blob = [num, channel, height, width]，與pytorch一樣

1. 而score_pool4c設置了axis=2，相當於從第2維(index start from 0!)往后開始裁剪，即裁剪height和width兩個維度，同時不改變num和channel緯度
2. 同時設置crop在height和width緯度的開始點為offset=5

不妨定義：

crop_w = upscore2 blob width
crop_h = upscore2 blob height

用Python語法表示，相當於score_pool4c層的輸出為：

score_pool4c = score_pool4[:, :, 5:5+crop_h, 5:5+crop_w]

剛好相當於從score_pool4中切出upscore2大小！這樣就可以進行逐點相加的特征融合了。

U-Net

U-Net原作者官網

U-Net是原作者參加ISBI Challenge提出的一種分割網絡，能夠適應很小的訓練集（大約30張圖）。U-Net與FCN都是很小的分割網絡，既沒有使用空洞卷積，也沒有后接CRF，結構簡單。

整個U-Net網絡結構如上圖，類似於一個大大的U字母：首先進行Conv+Pooling下采樣；然后Deconv反卷積進行上采樣，crop之前的低層feature map，進行融合；然后再次上采樣。重復這個過程，直到獲得輸出\(388\times 388\times 2\)的feature map，最后經過softmax獲得output segment map。總體來說與FCN思路非常類似。圖7

為何要提起U-Net？是因為U-Net采用了與FCN完全不同的特征融合方式：拼接！

與FCN逐點相加不同，U-Net采用將特征在channel維度拼接在一起，形成更“厚”的特征。所以：

語義分割網絡在特征融合時也有2種辦法：

1. FCN式的逐點相加，對應caffe的EltwiseLayer層，對應tensorflow的tf.add()
2. U-Net式的channel維度拼接融合，對應caffe的ConcatLayer層，對應tensorflow的tf.concat()

相比其他大型網絡，FCN/U-Net還是蠻簡單的，就不多廢話了。

總結一下，CNN圖像語義分割也就基本上是這個套路：

1. 下采樣+上采樣：Convlution + Deconvlution／Resize
2. 多尺度特征融合：特征逐點相加／特征channel維度拼接
3. 獲得像素級別的segement map：對每一個像素點進行判斷類別

看，即使是更復雜的DeepLab v3+依然也是這個基本套路。