论文总结-语义分割经典模型

语义分割是图像分割中的基本任务，是指对于图像将每个像素都标注上对应的类别，不区分个体**。简单地说，我们需要将视觉输入的数据分为不同的语义可解释性类别。若是区分了个体数量，那么就是实例分割。

本文主要总结一些较为经典的语义分割模型，慢慢更新，主要是对U-Net、FCN、SegNet、PSPNet、DeepLab v1/v2/v3/v3+进行要点概括，论文的具体解读、链接和源码在每个标题之后。

U-Net

[论文笔记] U-Net - 知乎 (zhihu.com)

1. U-Net发表于2015年，用于医学细胞分割

2. 编码器-解码器架构，四次下采样（maxpooling），四次上采样（转置卷积），形成了U型结构

3. U-Net最核心的一个思想是特征图的拼接

4. SGD+Momentum，损失函数为交叉熵

5. 数据预处理使用了镜像边缘，可以更好细化边界信息

6. 数据增加中有一个弹性形变，符合细胞本身的特性

7. 可以应对小样本的数据集进行较快、有效地分割，能够泛化到很多应用场景中去

   

FCN：Fully Convolutional Networks

[论文笔记] FCN：Fully Convolutional Networks - 知乎 (zhihu.com)

1. FCN发布于2014年，是语义分割领域全卷积网络的开山之作，U-Net也在其之后
2. 其主要思路是将图像分类的网络改良成语义分割的网络，通过将分类器（全连接层）变成上采样层来恢复特征图的尺寸，进行端到端训练
3. 分类器变成上采样，这部分思想作者主要的解释是全连接层是一种特殊的卷积
4. 选择了AlexNet、GoogLeNet和VGG作为backbone（主干网络），VGG效果最好，但是推理最慢
5. 最核心的思想是特征图的融合：假设最后的输出为pool5产生的x，利用转置卷积上采样，放大32倍，得到FCN-32s；将x上采样放大2倍，和pool4产生的特征图直接相加，再上采样放大16倍，得到FCN-16s；将FCN-16s进行上采样放大2倍，与pool3产生的特征图直接相加，在放大8倍，得到FCN-8s。在实验中，FCN-8s的效果最好
6. backbone是分类网络，下采样都是maxpooling，上采样使用的是双线性插值初始化的转置卷积
7. 在PASCAL VOC 2012上达到了**62.2%**的mIoU

SegNet：A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation

[论文笔记] SegNet: Encoder-Decoder Architecture - 知乎 (zhihu.com)

1. SegNet发布于2015年，使用编码器-解码器结构
2. 其backbone是2个VGG16，去掉全连接层（13层），对应形成编码器-解码器架构
3. 最核心的想法是提出了maxpool的索引来上采样的方法，从而免去了学习上采样的需要，在推理阶段节省了内存
4. 作者说道这个idea是来自于无监督特征学习。在解码器中重新使用编码器池化时的索引下标有这么几个优点：1. 能改善边缘的情况；2. 减少了模型的参数；3. 这种能容易就能整合到任何的编码器-解码器结构中，只需要稍稍改动
5. 文章采用的数据集是CamVid road scene segmentation 和 SUN RGB-D indoor scene segmentation。之所以不用主流的Pascal VOC12，是因为作者认为VOC12的背景太不相同了，所以可能分割起来比较容易
6. 总得来说，SegNet的性能比较一般，不如同时期的DeepLab v1，但是因为它只存储特征映射的maxpool索引，所以最推理阶段内存占用少，更为高效

PSPNet：Pyramid Scene Parsing Network

[论文笔记] PSPNet：Pyramid Scene Parsing Network - 知乎 (zhihu.com)

1. PSPNet发布于2017年，CVPR 2017
2. 核心idea是提出了金字塔池化模块，模型带有空洞卷积
3. 金字塔池化（Pyramid pooling）融合了四个比例的特征，**结合多尺寸信息：SPP(AVE效果优于MAX)**。最粗糙的 $1x1$是全局尺度的池化，剩下的层次会将图像分为不同子区域，形成不同区域的信息表示。金字塔池模块中不同level的输出包含比例不同的feature map（比如输入的维度都是 $2048$ ，有四个层次的金字塔，那么输出的维度则为 $2048/4=512$ ）。为了保持全局特征的权重，若如果金字塔的数量为 ，则N在每个金字塔级别之后使用1x1卷积层将上下文表示的维度减小到原先的1/N 。然后直接对feature map进行双线性插值，恢复到输入的长宽上。最后，将不同level的特征拼接起来作为金字塔池化的全局特征。文中给出的金字塔池化模块是一个四级模块，其大小分别为1x1 2x2 3x3 6x6 。
4. 其backbone为修改Resnet-101 为 ResNet-103，而且有辅助 loss，上采样是双线性插值
5. 性能上PASCAL VOC 2012：85.4%（pre-trained on COCO），82.6%；Cityscape：80.2% （both coarse and fine set）。

DeepLab v3+

1. CVPR 2018
2. 和v3的区别是多了一个解码器模块，backbone用了Aligned Xception（其中有深度可分解卷积）
3. PASCAL VOC 2012达到了87.8%的mIOU，在JFT预训练的DeepLab v3+在PASCAL VOC 2012上至今领先，达到了89.0%，但是JFT-300M是谷歌的内部数据集，不开源

[论文笔记] DeepLab v3+ - 知乎 (zhihu.com)