【DeepLabV3】Rethinking Atrous Convolution for Semantic Image Segmentation

文章目录

• • 概述

  • 细节

  • • Challenge
    • Our Work

  • result

概述

以下主要来自其官方PPT

• 文中提出两个语义分割的challenges ：

  • 1、连续池化和下采样会让后面特征的分辨率下降，这对于做精细的分割是不利的。
  • 2、多尺度目标的存在。

• 相对于V1、V2的改变 ：

  • V3所提出的框架可以应用到任意的网络中，应该指的是主干网络。
  • 最后的ResNet block被重用多次，被安排进行级联操作。
  • 在ASPP中加入了Batch normalization。
  • CRF没有被用到。
    

• Contribution ：

  • 本文重新讨论了空洞卷积在cascaded modules and spatical pyramid pooling(Parallel)结构中的应用问题。
  • 讨论了一个重要的问题：对3x3的空洞卷积进行各种rate的尝试，甚至是很极端的情况（在极端的rate情况下，空洞卷积就失去了获取更多上下文信息的能力，转而就退化为1x1卷积功能）。
  • 阐述了一些训练的经验和实验细节。

• Result ：

  • Pascal VOC 2012 test 85.7%

细节

Challenge

上面已经阐述过了有两个问题，以下讨论四种利用上下文信息的方法来进行语义分割：

• Image pyramid ：将图片缩放成不同比例，各种经过DCNN后融合输出。
• Encoder-Decoder ：利用Encoder阶段的多尺度特征，运用到Decoder阶段上恢复空间分辨率，这样做法有FCN、SegNet、Unet等网络。
• Context module ：在原始模块后增加模块，如DenseCRF，对像素间的关联进行分析。
• Spatial pyramid pooling ：使用spp在不同的范围内获取上下文信息。如，在ParseNet中就使用了Image-level feature，可以获取全局的上下文信息。DeepLabV2使用ASPP，利用不同的rate来获取多种scale的信息。

Our Work

论文使用atrous convolution作为context module来做SPP：对ResNet的最后一个block进行重复使用，并把这些重复的排列为一个级联的结构(cascade)。在训练时候使用Batch Normalization。
Details

• cascade module ：使用atrous convolution & 不使用atrous convolution

  • 复制了几个最后的block（block4），并在其后连接为级联的结构。block5-7是对block4的复制。（主要，这里都只是利用残差的block，block中是残差结构）
  • 每个block中有三个卷积
  • 除了在最后一个block中，其余的block中的最后一个卷积都是stride=2
    
    

• parallel module * 在ASPP中加入Batch Normalization 。

  • 随着采样的rate变得更大，有效的过滤器权重变得更小。
  • 在模型的最后要一个feature map进行Global average pooling (这个应该指的是下图中1x1卷积的部分，在进行GAP之后，再利用1x1卷积来改变通道数量)。
  • 如下图，ASPP最终包含了一个1x1卷积和3个3x3卷积，3x3的卷积的rate分别是{6, 12, 18}，都是256通道数，且，经过Batch Normalization 。【注意，如果output_stride=8，需要将rate double】（在最后的用来产生预测的1x1 conv之前），加上concat+1x1 conv后，仍然是256 channels，再加上一个Batch Normalization 。
    

result

训练设置

Training Protocal	Param
数据集	PASCAL VOC 2012
裁剪尺寸	513x513
学习率策略	poly => (1-{iter}/{max\_iter})^{power}，power=0.9
BN策略	当output_stride=16时，采用batch_size=16，同时BN层的参数在训练时参数衰减decay=0.9997，在增强的数据集上，以初始学习率lr=0.007训练，30k迭代后，BN层参数不再变化。 再采用output_stride=8时，再使用初始学习率0.001训练30k。训练output_stide=16要比8快许多。
上采样策略	由原来的ground truth下采样8倍和预测比较计算=>预测上采样8倍和ground truth比较。

• Cascade experiment
  这是在级联模式下对ResNet主干的比较：
  

这个就是对一个block中的三个卷积进行rate的设置，按照一般不加空洞卷积的就是(1, 1, 1)，加上空洞卷积的，不进行这种rate设置的，我们就是默认从第一个block开始是(2, 2, 2)，后面的block一直double，如（4, 4, 4）。这里就是所有block全部用Multi-Grid里设置的值。

这个就是总结了上面的最好情况，选用block7+MG(1, 2, 1)：

• Parallel experiment
  

跟其他方法的对比(其中的JFT表示，模型在ImageNet和JFT-300M数据集上进行了预训练)：

conclusion V3将重点放在Atrous Convolution上，同时在ASPP模块中加入BN，可以更好的捕捉上下文信息。 最后放一张图：