比较语义分割的几种结构：FCN，UNET，SegNet，PSPNet和Deeplab

简介

语义分割：给图像的每个像素点标注类别。通常认为这个类别与邻近像素类别有关，同时也和这个像素点归属的整体类别有关。利用图像分类的网络结构,可以利用不同层次的特征向量来满足判定需求。现有算法的主要区别是如何提高这些向量的分辨率，以及如何组合这些向量。

几种结构

全卷积网络FCN：上采样提高分割精度，不同特征向量相加。[3]
UNET：拼接特征向量；编码-解码结构；采用弹性形变的方式，进行数据增广；用边界加权的损失函数分离接触的细胞。[4]
SegNet：记录池化的位置，反池化时恢复。[3]
PSPNet：多尺度池化特征向量，上采样后拼接[3]
Deeplab：池化跨度为1，然后接带孔卷积。
ICNet：多分辨图像输入，综合不同网络生成结果。

实验设计

测试平台

采用[1]的代码，去掉one_hot，把损失函数改成交叉熵。
在验证过程引入pixel accuray和mIOU，代码见[2]
用颜色代码替换标签的类别代码，这样visdom可以显示多类别标签

数据集

[1]自带数据集Bag，二分类，图像800800，代码中转换到160160。
- 这个数据集很容易收敛，可以忽略优化器的影响，用来估计网络结构的性能上限。
CamVid,代码见[2]，从视频中截取的，图像很相似。图像尺寸960*720。
PASCAL VOC 2007/2012，代码参照[3]，图像差别大。

测试计划

在github上收集能成功运行的模型
在同等条件下比较技术细节：vgg16为基础结构
- 比较单层特征向量进行转置卷积、上采样或者反池化后的效果
- 比较特征向量的拼接和线性组合
- 比较多尺度输入的网络组合

实验结果

超参数：epochs=50,lr=0.001,optim=SGD,momentum=0.7u

数据集：Bag，resize(160,160)，batch_size=4

注意vgg16正确的层号，每层最后一个是池化。

feats = list(models.vgg16(pretrained=True).features.children())

self.feat1 = nn.Sequential(*feats[0:5])

self.feat2 = nn.Sequential(*feats[5:10])

self.feat3 = nn.Sequential(*feats[10:17])

self.feat4 = nn.Sequential(*feats[17:24])

self.feat5 = nn.Sequential(*feats[24:31])

单层特征向量

1*1卷积+标签收缩（到对应层尺寸）

网络层	单epoch时间(s)	mIOU(%)	pixel-acc(%)	GPU(G)
5	8	82	90	1.1
4	8	86	93	1.0
3	6	80	90	1.0

1*1卷积+上采样（2倍）+标签收缩

网络层	单epoch时间(s)	mIOU(%)	pixel-acc(%)	GPU(G)
5->4	8	72	85	1.1
4->3	6	80	90	1.0
3->2	5	78	88	1.0

1*1卷积+转置卷积（2倍）+标签收缩

网络层	单epoch时间(s)	mIOU(%)	pixel-acc(%)	GPU(G)
5->4	8	79	89	1.1
4->3	6	84	92	1.0
3->2	5	80	90	1.0

反池化（2倍）+1*1卷积+标签收缩

网络层	单epoch时间(s)	mIOU(%)	pixel-acc(%)	GPU(G)
5->4	8	84	92	1.1
4->3	7	87	94	1.1
3->2	5	84	91	1.0

池化（stride=1）+2*2卷积（stride=1,padding=1）+标签收缩

网络层	单epoch时间(s)	mIOU(%)	pixel-acc(%)	GPU(G)
5->4	8	84	92	1.1
4->3	7	89	95	1.0
3->2	7	80	90	1.1

多层特征向量组合

理论上，求和是拼接+1*1卷积的一个特例。

上采样（逐层，直到原始尺寸）+1*1卷积+求和（FCN）

网络层	单epoch时间(s)	mIOU(%)	pixel-acc(%)	GPU(G)
5	8	82	91	1.2
5+4	8	88	94	1.2
5+4+3	9	88	94	1.2

上采样（逐层，直到原始尺寸）+1*1卷积+拼接（UNET'）

网络层	单epoch时间(s)	mIOU(%)	pixel-acc(%)	GPU(G)
5	8	82	91	1.2
5+4	9	87	93	1.2
5+4+3	9	89	94	1.1

上采样（直接达到原始尺寸）+1*1卷积+拼接（PSPNET'）

网络层	单epoch时间(s)	mIOU(%)	pixel-acc(%)	GPU(G)
5	8	84	92	1.2
5+4	9	87	93	1.2
5+4+3	8	88	94	1.2

反池化（逐层）+1*1卷积+上采样（SegNet'）

网络层	单epoch时间(s)	mIOU(%)	pixel-acc(%)	GPU(G)
5	8	82	91	1.1
5->4	8	88	94	1.1
5->4->3	9	89	95	1.1

附加实验

epochs=100，lr=3e-3

网络	单epoch时间(s)	mIOU(%)	pixel-acc(%)	GPU(G)
PSPNET(反池化)	8	91	96	1.1
PSPNET(池化,stride=1)	9	91	96	1.2

引用

参考文献

Long J , Shelhamer E , Darrell T . Fully Convolutional Networks for Semantic Segmentation[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2014, 39(4):640-651.
Ronneberger O, Fischer P, Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation[C]// International Conference on Medical Image Computing & Computer-assisted Intervention. 2015.
Zhao H , Shi J , Qi X , et al. Pyramid Scene Parsing Network[J]. 2016.
Chen L C , Papandreou G , Schroff F , et al. Rethinking Atrous Convolution for Semantic Image Segmentation[J]. 2017.
Zhao H, Qi X, Shen X, et al. ICNet for Real-Time Semantic Segmentation on High-Resolution Images[J]. 2017.

巴特西