【深度学习】带有 CRF-RNN 层的 U-Net模型

【深度学习】带有 CRF-RNN 层的 U-Net模型

文章目录
1 图像语义分割之FCN和CRF
2 CRF as RNN语义分割
3 全连接条件随机场与稀疏条件随机场的区别
4 CRF as RNN
5 带有 CRF-RNN 层的 U-Net
6 超参数和结果
7 Edge-aware Fully Convolutional Network

1 图像语义分割之FCN和CRF

介绍

图像语义分割，简单而言就是给定一张图片，对图片上的每一个像素点分类

从图像上来看，就是我们需要将实际的场景图分割成下面的分割图：

不同颜色代表不同类别。

经过我阅读"大量"论文（羞涩）和查看Pascal VOC 2012 Learderboard，我发现图像语义分割从深度学习引入这个任务（FCN）到现在而言，一个通用的框架已经大概确定了。即：

FCN-全卷积网络
CRF-条件随机场
MRF-马尔科夫随机场
前端使用FCN进行特征粗提取，后端使用CRF/MRF优化前端的输出，最后得到分割图。

接下来，我会从前端和后端两部分进行总结。

前端

为什么需要FCN

我们分类使用的网络通常会在最后连接几层全连接层，它会将原来二维的矩阵（图片）压扁成一维的，从而丢失了空间信息，最后训练输出一个标量，这就是我们的分类结果。

而图像语义分割的输出需要是个分割图，且不论尺寸大小，但是至少是二维的。所以，我们需要丢弃全连接层，换上全卷积层，而这就是全卷积网络了。具体定义请参看论文：Fully Convolutional Networks for Semantic Segmentation

前端结构

FCN

此处的FCN特指Fully Convolutional Networks for Semantic Segmentation论文中提出的结构，而非广义的全卷积网络。

作者的FCN主要使用了三种技术：

卷积化（Convolutional）
上采样（Upsample）
跳跃结构（Skip Layer）
卷积化

卷积化即是将普通的分类网络，比如VGG16，ResNet50/101等网络丢弃全连接层，换上对应的卷积层即可。如下图：

2 CRF as RNN语义分割

本篇博文主要讲解文献《Conditional Random Fields as Recurrent Neural Networks》，实现了图像语义分割的再次突破。首先我觉得这篇文献的题目应该翻译成：把CRF迭代推理过程看成是RNN；可能很多人看到文献题目就把它翻译成：CRF与RNN的结合，以至于后面看文献觉得迷迷糊糊不知所云，然而这篇文献实质上是FCN与CRF的端到端结合训练。

文献最大的意义在于把CRF的求解推理迭代过程看成了RNN的相关运算，嵌入CNN模型中，达到了真正的算法之间的融合。想要深入理解这篇文献，需要先学会文献《Efficient Inference in Fully Connected CRFs with Gaussian Edge Potentials》、《Fully Convolutional Networks for Semantic Segmentation》、《Semantic Image Segmentation with Deep Convolutional Nets and Fully Connected CRFs》。特别是需要深入理解稠密条件随机场，并且要理解其代码层面的实现，后面才能看懂文献是怎么把CRF看成是RNN的。

众所周知，近几年CNN在图片分类、物体检测取得了不俗的成绩，于是人们开始探索像素级的标注分类，也就是图片的语义分割，其中语义分割的开山之作当属FCN。然而FCN得到的结果很粗糙，比如物体分割的边缘还不够精确，比如下面：

根据上面FCN分割结果存在的不足是：感受野过大、边缘约束不够强。于是根据这两点不足，文献DeepLab：《Semantic Image Segmentation with Deep Convolutional Nets and Fully Connected CRFs》提出的算法是：先利用FCN做粗分割、然后再利用CRF进行精分割。具体FCN改进如下：

1、把第一层卷积层的卷积核大小由77改为33；(减小感受野)

2、减小下采样比例，本来我们FCN下采样比例是32，通过减小stride大小，下采用比例为8；(减小感受野)

3、采用全连接条件随机场，对FCN分割结果进行精细化分割(增强边缘约束)

我们需要清楚的是这篇文献的算法，粗分割和精分割是完全分开的，并不是一个端到端的训练模型，算法有点low。也就是FCN和CRF扯不上关系，只不过CRF利用了FCN的结果作为一元势函数。

所以如果我们能够把CRF和FCN把这两个强大的招式融汇贯通，搞出一个端到端的训练模型，那么精度必然可以进一步提升，这也正是《CRF as RNN》这篇文献的思想，这篇文献把CRF的学习、推理过程看成是RNN，然后嵌入CNN模型中，搞出了一个新的招式，完成了端到端的训练、预测。

3 全连接条件随机场与稀疏条件随机场的区别

(2)全连接条件随机场与稀疏条件随机场的最大差别在于：每个像素点都与所有的像素点相连接构成连接边。这就恐怖了，如果一张图像是100100，那么就相当于有10000个像素点，因此如果采用全连接条件随机场的话，那么就会构造出约1000010000条边。如果图像大小再大一些，那么就会变得非常恐怖，普通条件随机场推理算法，根本行不通。好在文献《Efficient Inference in Fully Connected CRFs with Gaussian Edge Potentials》给出了快速推理算法。接着我们就简单讲解具体的求解算法。

4 CRF as RNN

OK，言归正传，我们接着就来讲讲怎么把CRF的推理过程看成是、卷积层、SoftMax层等神经网络层的组合，同时又和RNN有什么样的渊源。下面公式中的下标i表示第i张特征图。

Zi是归一化因子。其实这个计算公式就是softmax函数，所以这一步的计算我们可以把它看成是神经网络的softmax层，所以我们用神经网络的softmax层替代这个步骤。

5 带有 CRF-RNN 层的 U-Net

该项目旨在改进用于医学图像分割的 U-Net。我们的模型是使用 Tensorflow 和 Keras 实现的。

6 超参数和结果

倒数第二列可以理解为普通的条件随机场。、

7 Edge-aware Fully Convolutional Network

语义边缘精化方法_PointRend: Image Segmentation as Rendering
语义分割在最后上采样的时候，一般存在一个直接的多倍上采样，以如下PSPNET为例，最后预测时8倍的上采样层，对于物体边缘的预测十分不利。

从采样的角度来看，图片存在高频区域（物体边缘，变化剧烈）和低频区域（相对平滑，颜色变化小），而低频区域大概率是属于某一类别，不需要过多的点，而在高频区域采样点稀疏将导致分割出的物体边界过于平滑，应在高频区域（物体边缘，变化剧烈）多采样，低频区域（相对平滑，颜色变化小）少采样。

基于此思路，作者提出基于点的渲染模块（PointRend），输入可为一个或多个定义在常规格网上的CNN网络特征图，并在更高分辨率的格网中输出。先通过合理的点选择方式选择采样点，计算出采样点的分割效果，并对其进行优化。

二、点的渲染模块（PointRend）

主要有以下三部分构成：

1、点选择：为避免在高分辨率的输出中过量的计算所有的像素，对分割结果（步上一回合骤3预测结果）进行2倍双线性插值上采样得到coarse prediction feature，只选择少数的困难点，这些点的选择采取分割结果（上一回合步骤3小型网络预测）概率值最低的一些 ；

2、point-wise特征表示，包括两个部分，第一是提取出选出的困难点的特征，由步骤1得到，第二是低层特征（fine-grained features），类似于ROI；

3、point head：小型网络，可使用简单的多层感知机， 对上采样出的特征图进行预测，更新coarse
prediction feature。

以上过程一直重复直到上采样到需要的大小。