语义分割和转置卷积

2018 年 6 月 22 日 AI研习社

雷锋网按：本文为雷锋字幕组编译的技术博客，原标题 Semantic Segmentation and Transposed Convolution，作者为 Ujjwal Saxena。

翻译 | 赵朋飞程思婕整理 | 凡江

插播一则小广告：NLP领域的C位课程，斯坦福CS224n正在AI慕课学院持续更新中，无限次免费观看！

使用 FCN8 识别可移动区域

分割对图像分析是必不可少的。语义分割描述了每个像素与类别标记的关联过程，（例如：花朵、人物、道路、天空、海洋、或者汽车）。

图像来源：Mathworks

众多语义分割方法中，很多领域都有很大的潜力。这些领域包括自主驾驶、工业锅炉检验、热图等，卫星图中的地形划分，医学影像分析。基于个人兴趣，我也做了从叶子中检测植物疾病的研究。包括将纹理或叶片从实际疾病标记中分离出来。这也促进了疾病检测过程的简化并提高了精度。

但语义分割到底是什么呢 ?

语义分割是指在像素层面去理解图像，即，我们想给图像中的每个像素分配一个对象类。例如，查看下面的图片。

输入图像

语义分割

在上面的图片中，只有 3 种类别，人、自行车和其他事物。FCN 可以被训练来识别道路、植物以及天空。VOC2012 和 MSCOCO 是语义分割领域最重要的数据集。

2014 年，来自伯克利的 Long 等人提出的全卷积网络 (FCN)，促使 CNN 架构在没有全连接层的情况下在密集预测领域普遍应用。这使得分割图可以生成任何大小的图像，而且与之前使用的补丁分类方法相比，也要快得多。几乎所有后来的关于语义分割的顶级方法都采用了这种模式。

除了完全连接的层，使用 CNN 进行语义分割的另一个主要问题是池化层。池层增加了视图的范围，并且能够在丢弃「where」信息的同时聚合上下文。然而，语义分割需要精确的类别分布信息，因此，需要保留空间信息。在文献中有两种不同的体系结构来解决这个问题。

第一种是编码器-解码器架构。编码器使用池化层逐渐减少空间维度，解码器逐步恢复对象细节和空间维度信息。通常在编码器和解码器之间有快捷连接，用于更好地帮助解码器恢复对象细节。

第二种方法没有在这里讨论。

当我在研究转置卷积中填充差异的时候，我发现关于一些关于 SAME 和 VALID 填充的很有趣的事情。需要理解的最重要的事情是，在 Valid 填充时，滤波器 Kernel 的大小不会超出输入图像的尺寸，对于卷积和转置卷积都是如此。类似，Same 填充核可以超出图像维度。

让我们更多的讨论下 Valid 填充。当增加 kernel 步长时，输入图像会在像素之间填充。如果步长是 2，会在现有行列之间再分别增加一行和一列。如果步长是 1，不会做任何填充。

Stride:1, kernel:3x3

Stride:2, kernel:3x3

保持 k 不变，增加步长减少重叠。这种重叠指的是由相邻的内核行为计算的公共区域。让我们想象一下相反的效果。

Stride:2, kernel:4x4

因此，填充的输入图像取决于步长：

Ip_d= (I-1)*s

s=步长，I= 输入维度，Ip_d 填充输入维度

输出图像维度取决于填充输入图像维度和核大小，如下：

O_d= Ip_d+ k；

O_d= (I-1)*s+k； k 是核大小

这个方程是正确的，无论核大小是大于或小于步长的，都可以在这里进行验证。然而，我的同事 Keshav Aggarwal 在玩 tensorflow 的一些代码时，得到了一个更好的等式。如下：

O_d = I * s+ max(k — s, 0)；所有变量和上面的公式相同

我建议你稍微玩一下代码。

Same Padding 很简单但相当神秘。Same padding 通常在图像边界之外填充空的行和列。在正常的卷积过程中，即使填充是相同的，Kernel 可以用上面提到的步长扫描完整图像，实际上也不会在输入图像上填充任何东西。然而，如果由于 Kernel 大小和步长值而漏掉一些行或列，则添加一些额外的列和行来覆盖整个图像。

这不是转置卷积的情况。输出图像维度不依赖于过滤器的内核大小，而是根据步长的倍数增加。