文章目录
- 官方 PPT Rethinking Atrous Convolution for Semantic Image Segmentation
- DeepLab v1
- DeepLab v2
- DeepLab v3
- DeepLab v3+
- 参考文献
官方 PPT Rethinking Atrous Convolution for Semantic Image Segmentation
DeepLab v1
paper
Semantic Image Segmentation with Deep Convolutional Nets and Fully Connected CRFs
backbone
VGG16
DeepLab是结合**深度卷积神经网络（DCNNs）和概率模型（DenseCRF）**的方法。实验中发现DNNs做语义分割时精准度不够的根本原因是DCNN的高级特征的平移不变性，即高层次特征映射，根源于重复的池化和下采样。
针对信号下采样或池化降低分辨率，DeepLab是采用的Atrous（带孔）算法扩展感受野获取更多的上下文信息。
分类器获取以对象中心的决策是需要空间变换的不变性，这天然的限制了DCNN的定位精度，DeepLab采用完全连接的条件随机场（CRF）提高模型捕获细节的能力。
除空洞卷积和CRFs之外，论文使用的tricks还有Multi-Scale features。其实就是U-Net和FPN的思想，在输入图像和前四个最大池化层的输出上还附件了两层的MLP，第一层是128个33卷积，第二层是128个11卷积。最终输出的特征与主干网的最后一层特征图融合，特征图增加5*128=640个通道。
实验表示多尺度有助于提升预测结果，但是效果不然CRF明显。
论文模型基于VGG16，在Titan GPU上运行速度达到了8FPS，全连接CRF平均推断需要0.5s，在PASCAL VOC-2012达到71.6% IOU accuracy。
DeepLab v2
backbone
ResNet 101
DeepLabv2是相对于DeepLabv1基础上的优化。DeepLabv1在三个方向努力解决，但是问题依然存在：特征分辨率的降低、物体存在多尺度、DCNN的平移不变性。
因为DCNN连续池化和下采样造成分辨率降低，DeepLabv2在最后几个最大池化层中去除下采样，取而代之的是空洞卷积，以更高的采样密度计算特征映射。
物体存在多尺度问题，DeepLabv1中是用多个MLP结合多尺度特征解决，虽然可以提供系统的性能，但是增加特征计算量和存储空间。
受Spatial Pyramid Pooling（SPP）的启发，提出了一个类似的结构，在给定的输入上以不同采样的空洞卷积并行采样，相当于以多个比例捕捉图像上下文，称为ASPP（Atrous spatial pyramid pooling）模块。
DCNN的分类不变形影响空间精度。DeepLabv2是采样全连接的CRF在增强模型捕捉细节的能力。
论文模型在基于ResNet， 在NVIDIA Titan X GPU上运行速度达到了8FPS，全连接CRF平均推断需要0.5s，在耗时方面和DeepLabv1无差异，但在PASCAL VOC-2012达到79.7 mIOU。
DeepLab v3
paper
Rethinking Atrous Convolution for Semantic Image Segmentation
backbone
ResNet 101
DeepLabv3依然在空洞卷积做文章，但是探讨不同结构的方向。比较了多种捕获多尺度信息的方式：
- Image Pyramid 将输入图片缩放成不同比例，分别应用在DCNN上，将预测结果融合得到最终输出。
- 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，代表工作有FCN、SegNet，PSPNet等。
- Deeper w。 Atrous Convolution 在原始模型的顶端增加额外的模块，例如DenseCRF，捕捉像素间长距离信息。
- Spatial Pyramid Pooling 空间金字塔池化具有不同采样率和多种视野的卷积核，能够以多尺度捕捉对象。
DeepLabv1-v2都是使用带孔卷积提取密集特征来进行语义分割。但是为了解决分割对象的多尺度问题，DeepLabv3设计采用了多比例的带孔卷积级联或并行来捕获多尺度背景。
此外，DeepLabv3将修改之前提出的带孔空间金字塔池化模块，该模块用于探索多尺度卷积特征，将全局背景基于图像层次进行编码获得特征，取得state-of-art性能，在PASCAL VOC-2012达到86.9 mIOU。
DeepLab v3+
paper
Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation
backbone
Xception （最优）
ResNet 101
motivation
DeepLab v3的ASPP得到的特征分辨率即使在采用atrous convolution的情况下，依然有8倍的缩小，直接对1/8分辨率的结果图进行上采样，恢复成原始分辨率大小，得到逐像素的分割结果。直接上采样操作并不能充分恢复在降采样为1/8分辨率过程中损失的细节信息，造成分割的不精确。DeepLab v3的基础上，加入decoder的形式恢复原始分辨率的分割结果，使得边缘细节信息能够较好的保留。
创新点
- 将DeepLab v3作为编码器（利用atrous convolution生成任意维度的特征，并采用ASPP策略），在其后面级联解码器进而恢复边界细节信息。
- 探究了ResNet-101替换成Xception模型的可行性，采用depthwise separable convolution进一步提高分割算法的精度和速度。
DeepLabv3+继续在模型的架构上做文章，为了融合多尺度信息，引入语义分割常用的encoder-decoder。在encoder-decoder架构中，引入可以任意控制编码器提取特征的分辨率，通过空洞卷积平衡精度和耗时。
在语义分割任务中采用Xception模型，在ASPP和解码模块使用depthwise separable convolution，提高编码器-解码器网络的运行速率和健壮性，在PASCAL VOC 2012数据集上取得新的state-of-art表现，89.0 mIOU。
网络结构
