语义分割：GSCNN 提高边缘和小目标的分割性能

本次介绍的文章发表在ICCV2019，由英伟达公司的学者提出的一种用于语义分割的双流CNN结构(GSCNN)。相比于传统的分割模型，GSCNN主要加入了一个单独的分支用来学习边缘信息，称之为形状流。这一结构改进使得分割模型能够更好的预测边缘信息，显著的提升了小物体和细物体的检测效果。

语义分割在自动驾驶，3D重建，图像生成，医学检测等领域有很多的研究。从FCN的提出以来，语义分割主要利用分类的架构来进行像素级别的分类。主要遇到的问题是低分辨率和语义信息不足等。许多研究者也提出了融合不同层的语义信息，以及利用多尺度分辨率的上采样模块等，来缓解这些问题。

但是语义分割在细小的目标分割上还存在一些问题。这个问题可以从网络结构的内在出发。 单一网络的结构融合了非常多的不同信息：颜色、形状以及纹理信息。 而这些信息被融合在一起处理，可能会导致对识别重要的信息没那么的突出。比如检测对象的时候，最理想的是根据边界和形状信息来进行识别，但是如果信息流中包含了很多的颜色和纹理等低级的特征，可能会导致识别问题。一个有力的佐证是，例如ResNet，DenseNet等识别效果较好，主要是不同层级的信息流在网络向前流通，缓解了到达最后一层的信息流丢失。

基于上述问题，本文提出了一个双流CNN结构，通过单独分支学习形状，并引入原分支信息，共同作用来提高语义分割的性能。

如上图所示是GSCNN的网络结构，网络结构总共分为三部分：常规流（Regular Stream），形状流（Shape Stream）和融合模块（Fusion Module）。

输入是三通道图像，网络选择可以是ResNet，VGGNet等基础模型，网络输出是一个尺寸为[N,C,H/m,W/m]的特征图，m是网络尺寸的缩小率。

形状流是这篇文章的重点，其结构如下图所示：

形状流输入的数据全部来自常规流，上述的四个输入分别是常规流的r1，r2，r3和r4。由于形状流中进行边缘的二分类，细节很重要，因此数据在处理的时候，都插值为输入图片x.size的大小。

如上图所示，r1可能来自常规流中的某个特征图，首先将其双线性插值为x.size，经过Conv1x1卷积和res1层后，输出一个C通道的特征图。将此特征图再进行双线性插值为x.size作为门控卷积层（GCL）的输入。而r2经过一个1x1卷积变为1个通道之后，通过双线性插值也x.size。所以门控卷积层的两个输入的大小为[N,C,H,W]和[N,1,H,W]。

门控卷积层（GCL）：

如上图所示，输入的数据经过Concat连接，经过一系列卷积，归一化等等操作，通过sigmoid产生一个权重值：

接下来权重alpha与形状流的输入点乘并加上Input Feature，最后经过一个卷积权重作用后输出[N,C,H,W]的特征图。

GCL层相当于作为一个门控开关一样，而常规流中的特征进来，共同作用产生一个权重，这个权重类似于开关的作用，将浅层的不相关边界信息滤除掉，重点关注边缘信息，增强边缘识别的能力。

通过GCL层之后的输出信息，同理经过后续的res2分支，再和r2共同作用到GCL层，知道最后通过卷积和sigmoid函数，输出一个[N,1,H,W]的边缘图。

融合模块主要是采用ASPP模块进行采样。

文章中对这一部分介绍的比较简单，通过看源码来理解下具体融合的特征。源码中融合模块中的输入来自四部分， 主要是Canny和形状流输出的两个特征，称之为形状特征。还有常规流中的输出以及中间层M2的特征图一并作为输入 。四部分作为输入，经过卷积等等一系列操作，然后融合，最后输出分割图。

以上就是整体的网络结构，通过常规流和形状流数据的交错，再共同作为融合层的输入，保留了很多的边界信息，使得分割更有效。

了解了网络的组成结构，接下来了解下网络的学习过程。由于网络加入了边缘预测，因此是一个多任务学习过程。

两个任务，一个是进行多分类分割，生成语义分割图。一个是进行边缘学习，生成边缘信息图。所以损失由两部分组成：

其中二元信息熵（BCE）作用在形状流上，对形状流的输出进行计算损失。常规流和形状流通过门控卷积层相连，因此这个损失作用在两者上。同时， 由于边缘预测过程中边界和非边界的像素非常的不平衡，所以采用一个beta参数来进行平衡（这里没体现）。

对于多元信息熵，其预测C个类，为全局输出，损失作用作用整个网络，更新所有参数。

网络最后输出的语义分割图可以计算获得边界信息，为了使得边界信息更准确，对最后的语义分割图进行正则化：

公式（4）中G是高斯滤波器。通过公式4计算输出的语义分割图的边缘信息。对于真实标注图，同样利用上述的公式进行边缘信息计算。为了保持两者的一致性，利用两者计算的结果差值的绝对值作为损失（公式5），目的使得模型输出的分割图边界与标注值更接近。

同样的，形状流输出的边界预测值应该与最后输出完整的分割图的边界相同，因此加入了这两者的正则化：

其中，Sp代表这形状流输出的预测值，因此公式6统计的是形状流输出概率大于给定阈值thrs的这些像素点的损失，对形状流输出边缘图和最终输出的分割图的边界信息进行统一。

总体的正则化损失为两者相加。语义分割图与真实标签图，语义分割图与预测边缘图都分别进行了正则化。

综上所述，整个网络的损失4个部分，2个分类交叉熵损失和2个正则化损失。

• 数据集:CityScapes数据，包含27个城市。总共2975训练集，500验证集和1525测试集。

• 评估指标：

• IoU：用于评估是否精确的预测区域

• F-score：用于评价边界的预测

• Distance-base：通过对预测结果crop来评价小目标上的性能

• 试验细节：

• batch_size=16,

• lr=0.01多项式衰减

• 损失参数：20,1,1,1

• resolution:800x800

在整体的IoU对比上，相较于之前的方法都有提升，总体平均提升2%，而且特别是在小目标的检测上，如交通标志，交通信号灯和电线杆有很明显的提升，下图是在验证集和测试集上的结果。

在边界的预测上，和DeeplabV3+做对比，整体上优于基础模型。

在试验中，加入了GCL层，正则化损失，Canny边缘图等，为了看上述各个子部分的效果，作者做了消融试验。

从消融试验的结果来看，加入GCL使得IoU提升了1.5%左右，而Canny的加入提升了0.3%。而最有效的是加入了正则化，性能提升3%，边缘图的统一非常的有必要。

最后，附上作者的预测结果，GCL层之后的边缘细节刻画确实比较美妙。

05

由于只有1个1080ti的GPU，本文的试验复现存在硬件上的困难，未来如果有条件了再进行实验。目前主要看看源码理解内容。当然这篇论文中还有很多思考的地方。 比如预测边缘图的形状流的每次都线性插值到原图，是否可以减少图尺寸？ 既然分隔出了形状流，那么纹理和颜色空间能否分开呢？

总的来讲，本文提出的解决边界问题的思想有很大的启发，通过网络上改进，将形状，颜色和纹理的信息给分隔开来，独立进行边缘检测，提高边缘检测的性能。

对于边缘检测问题，U-Net中有一个简单的方式将边缘的权重给加大来提高边缘检测的 性能，当然这个只能作为个小trick。

实际上在很多实际项目上，预测的内部不完整可能影响不大，如果边界能够预测的很准，那么剩余的其他有些问题可以通过后处理来解决一些问题。希望这篇文章的介绍能给大家带来启发。

由于公众号申请的晚，留言功能微信团队已经收回了，不知道什么时候会开放，因此嵌入了小程序， 文末可以点击 留言请点击此处 按钮，进行留言。有问题可微信或者公众号后台提问。

扫码关注我们

老黄陪你读paper

个人微信号 :hzw3839

github：https://github.com/JaryHuang