探索图像语义分割中的特征融合

简介

图像语义分割是计算机视觉领域一大重要分支，在benchmark性能一次次提升的过程中，特征融合起到很重要的作用。下面，将介绍图像语义分割任务中历年的比较不错的特征融合方法。

常用的Backbone

图像语义分割任务绝大多数算法的CNN部分都是基于ResNet作为backbone，通常用到Conv1～Conv5的部分。Conv1～Conv5特征图分别相较于输入图像，尺寸下采样$2^1$~$2^5$倍。特征融合也是在Conv1～Conv5的特征图（feature maps）上进行。

Encoder-Decoder (U-Net)

U-Net: Convolutional Networks for Biomedical Image Segmentation，ISBL 2015

在U-Net的框架图上，已经很清晰地给出特征融合方式，是基于Encoder-Decoder架构。Encoder-Decoder架构提取了全局特征，灰色箭头的skip-connection可以将局部特征与全局特征融合（concat方式）。最后再在融合到特征上预测出segmentation map，见上图右上角部分。
总结：

• 比较早地给出基于Encoder-Decoder和skip-connection特征融合方法。
• 最后的融合的特征尺寸太大，训练和推理耗费时间。

Feature Pyramid (FPN)

Feature Pyramid Networks for Object Detection，CVPR 2017

FPN是目标检测任务中提出来的，但是也可以应用于语义分割。Backbone得到相应的feature maps，如Conv1～Conv5，分别记作C1、C2、C3、C4、C5。如上图只在倒数前三层上做特征融合，因此取C3、C4、C5。
$P_5 = conv_{1x1}(C5)$
$P_4 = conv_{1x1}(C4) + upsample_{2x}(P5)$
$P_3 = conv_{1x1}(C3) + upsample_{2x}(P4)$
P3、P4、P5特征图的通道数一致，最后分别在P3、P4、P5上预测出Segmentation map，共享分类器。
总结：

• FPN和U-Net类似，也是基于Encoder-Decoder提取全局特征，区别是使用element-add方式来融合局部特征，其次是FPN在多个特征图上预测分类器。
• FPN增加的卷积核较少，而且特征图的尺寸下采样了$2^n$，训练和推理较快。

Atrous Spatial Pyramid Pooling (DeepLab-V2)

DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs，TPAMI 2017

ASPP是DeepLab-V2中提出的基于空洞卷积特征金字塔的特征融合方式，在DeepLab-V3中也有用到。对于backbone提取的Conv5特征图，分别使用空洞卷积（rate=6，12，18，24，卷积核3x3）得到新的特征图，再concat起来，得到融合后的特征。
代码：prototxt_and_model.zip

• 使用空洞卷积来提取特征，扩大感受野以提取更好的全局特征，再与原先的相对局部的特征进行融合。
• DeepLab v2也使用了multi-scale inputs，这也是一种更好地提取特征的方法。

Pyramid Pooling Module (PSPNet)

Pyramid Scene Parsing Network, CVPR 2017

上图第（c）部分即为PSPNet的特征融合部分。对于图像经过backbone得到的feature map。分别对其进行pooling操作，得到尺寸分别为1x1、2x2、3x3、6x6的特征图，然后使用1x1卷积把通道裁剪成原本的1/4，再分别upsample（双线性插值）成原先的feature map尺寸，再和原先的feature map concat起来得到融合后的特征。
总结：

• 对backbone得到的相对局部的特征图pooling到1x1、2x2、3x3和6x6，提取出全局特征再和特征图concat起来进行融合。
• PSPNet的特征融合更强调了gloabl prior，因为全局的上下文信息理论上分析来说是更有利的。

Joint Pyramid Upsampling (FastFCN)

FastFCN: Rethinking Dilated Convolution in the Backbone for Semantic Segmentation，2019

JPU是对Conv3～Conv5不同尺寸的特征图上操作。先进行3x3卷积，再Upsample成Conv3的8x尺寸，concat得到特征图$y_c$。接着对$y_c$分别使用Stride Conv（论文中有介绍），Dilation取1、2、4、8，把特征图再concat起来，最后使用3x3卷积得到融合后的特征。
代码：customize.py->class JPU(nn.Module)
总结：

• 使用了Stride Conv+Dialted Conv做特征融合。

总结

这些特征融合方式较为相似，核心都是提取更好的global prior与local prior融合。在CNN中，随着卷积层数和下采样的增加，特征图通道数量增加而特征图的尺寸降低，特征表示也从local趋向于global，从low-level趋向于high-level，高层的特征蕴含更丰富的语义信息，底层的特征蕴含更精确的空间位置和颜色等信息。
实验结果证明，进行特征融合对分割性能是有提升的。但是具体任务具体分析，可以在自己的backbone上进行尝试。
注：Github上有很多代码可供参考，特征融合方式也可以根据自己的任务进行修改。