主要工作
GCN 主要将 Semantic Segmentation分解为：Classification 和 Localization两个问题。但是，这两个任务本质对特征的需求是矛盾的，Classification需要特征对多种Transformation具有不变性，而 Localization需要对 Transformation比较敏感。但是，普通的 Segmentation Model大多针对 Localization Issue设计，正如图1(b)所示，而这不利于 Classification。
所以，为了兼顾这两个 Task，本文提出了两个 Principle：
- 从 Localization 来看，我们需要全卷积网络，而且不能有全连接或者全局池化等操作丢失位置信息。
- 从 Classification 来看，我们需要让 Per-pixel Classifier 或者 Feature Map 上每个点的连接更稠密一些，也就需要更大的 Kernel Size，如图 1(c) 所示。
根据这两条 Principle，本文提出了Global Convolutional Network（GCN）。如图2所示，这个方法整体结构正是背景介绍中提到的U-shape结构，其核心模块主要包括：GCN 和 BR。
此处主要介绍GCN设计。正如图3(b)所示，它采用了较大 Kernel Size的卷积核，来同时解决上述的两个 Issue；然后根据卷积分解，利用1 x k + k x 1 和k x 1 + 1 x k 的卷积来替代原来的k x k 大核卷积。相对于原本的大核卷积，该设计能明显降低参数量和计算量。图3可视化了 Large Kernel Conv 和 普通 Conv网络有效感受野的对比。
Feature maps from modern networks such as GoolgeNet or ResNet usually have very large receptive field because of the deep architecture. However, studies [Object detectors emerge in deep scene cnns] show that network tends to gather information mainly from a much smaller region in the receptive field, which is called valid receptive field (VRF) in this paper.
可以看出，通过提出的全局卷积网络可以得到更大的VRF。
实验细节
- We evaluate our approach on the standard benchmark PASCAL VOC 2012 and Cityscapes.
- PAS-CAL VOC 2012 has 1464 images for training, 1449 images for validation and 1456 images for testing, which belongs to 20 object classes along with one background class.
- We also use the Semantic Boundaries Dataset as auxiliary dataset, resulting in 10,582 images for training.
- We choose the state-of-the-art network ResNet 152 (pretrained on ImageNet) as our base model for fine tuning.
- During the training time, we use standard SGD with batch size 1, momentum 0.99 and weight decay 0.0005 .
- Data augmentations like mean subtraction and horizontal flip are also applied in training.
- The performance is measured by standard mean intersection-over-union (IoU).
验证Large Kernel Conv的有效性
做后续的实验的时候：we use PASCAL VOC 2012 validation set for the evaluation. For all succeeding experiments, we pad each input image into 512x512 so that the top-most feature map is 16x16.
表格比较了图4中的A随着k的变化而得到的性能的变化，而B则是基线。
因为特征图最小为16x16，所以卷积核到15的时候基本上已近变成了真正的全局卷积。从上面比较了可以看出，随着k的增大，性能是在提升的。
GCN的核增大性能提升，是否在于参数的增加？
为了进一步验证是否是因为k的增加导致参数的增加，继而导致的性能的提升，这里进一步测试，设计了几个如图4中C的结构，改变其A和C的k，统计如下：
可以看出，随着参数的增加，GCN性能一如既往的替身，但是一般的卷积在k>5的时候反而会下降。然而，在训练中发现一般的大核卷积实际上使得网络难以收敛，而GCN结构将不会面临这个问题。因此，实际原因还需要进一步研究。
是否可以通过堆叠多个Small Kernel Size的Conv来替代GCN？
GCN使用 Large Kernel Size增大了感受野，是否可以通过堆叠多个 Small Kernel Size的 Conv来替代？
文章为此设计了图4D（n个小卷积核（3x3）堆叠来代替一个kxk的核）的结构，与A结构进行实验，对比两者的结果。
we do not apply nonlinearity within convolutional stacks so as to keep consistent with GCN structure.
可以看到 GCN 依然优于普通 Conv 的堆叠，尤其是在较大 Kernel Size 的情况下。
对于大的内核大小（例如k = 7），3x3卷积堆叠将带来比GCN更多的参数，这可能对结果产生副作用。因此，尝试减少卷积堆叠中间特征映射的数量，并进行进一步的比较。结果列于表4中。显然，其性能受到参数少的影响。总之，与一般的卷积堆叠相比，GCN是一种更好的结构。
这是一个很有价值的实验，可以启发去思考关于网络感受野的问题。以往认为，通过堆叠多个小核 Conv 可以达到和大核 Conv 一样的感受野，同时计算量还更少。最常见的应用比如 VGG-Net。但是，实际上并非如此。随着网络深度的提升，理论上网络的感受野大多可以直接覆盖全图，但是实际有效感受野却远小于此。 网友的理解是对同一个 Feature Map 进行卷积，边缘区域进行计算的次数会小于中心区域，所以随着 Conv 的不断堆叠，实际上会导致边缘感受野的衰减，即有效感受野会远小于理论感受野。
GCN对于分割结果有怎样的贡献
GCN通过引入与特征图的密集连接来提高分割模型的分类能力，这有助于处理大的变换。基于此，可以推断出位于大型物体中心的像素可能会从GCN中受益更多，因为它非常接近“纯”分类问题。然而，对于物体的边界像素，性能主要受定位能力的影响。
为了验证推断，将分割得分图分为两部分：
- 边界区域，其像素位于靠近物体的边界（距离<=7）
- 内部区域作为其他像素。
在两个区域评估分割模型（GCN有着k=15）。结果如表5所示，主要发现GCN模型有助于提高内部区域的准确性，而边界区域的影响很小，这有力地支持了前面的论证。此外，在表5中，还评估了前面提到的边界细化（BF）块。与GCN结构相反，BF主要提高了边界区域的精度，这也证实了其有效性。
在预训练模型上的嵌入
上面的模型是从ResNet-152网络中精确调整的。由于大内核在分割任务中起着至关重要的作用，因此在预训练模型上应用GCN的思想也是很自然的。因此，提出了一种新的ResNet-GCN结构，如图5所示。删除了ResNet使用的原始瓶颈结构中的前两层，并用GCN模块替换它们。为了与原始数据保持一致，还在每个卷积层之后应用BN和ReLU。
将ResNet-GCN结构与原始ResNet模型进行比较。为了公平比较，仔细选择ResNet-GCN的大小，以便两个网络具有相似的计算成本和参数数量。附录中提供了更多详细信息。先在ImageNet 2015上预先训练ResNet-GCN并对PASCAL VOC 2012分割数据集进行微调。结果如表6所示。
注意这里使用ResNet50的模型来做比较，因为大型ResNet152的训练是非常费时的。从结果我们可以看出，基于GCN的ResNet作为ImageNet分类模型比原始ResNet略差。然而，在对细分数据集进行微调后，ResNet-GCN模型显着优于原始ResNet 5.5％。随着GCN和边界细化的应用，基于GCN的预训练模型的增益变得很小但仍然占优势。可以有把握地得出结论，无论在预训练模型还是特定于分段的结构中，GCN主要有助于提高分割性能。
Pascal VOC 2012
- employ the Mi-crosoft COCO dataset to pre-train our model.
- COCO has 80 classes and here we only retain the images including the same 20 classes in PASCAL VOC 2012.
- The training phase is split into three stages:
- InStage-1, we mix up all the images from COCO, SBD and standard PASCAL VOC 2012, resulting in 109,892 images for training.
- During the Stage-2, we use the SBD and standard PASCAL VOC 2012 images.
- For Stage-3, we only use the standard PASCAL VOC 2012 dataset.
- The input image is padded to 640x640 in Stage-1 and 512x512 for Stage-2 and Stage-3.
Our GCN + BR model clearly prevails, meanwhile the post-processing multi-scale and denseCRF also bring benefits.
Cityscapes
- Cityscapes is a dataset collected for semantic seg-mentation on urban street scenes. It contains 24998 images from 50 cities with different conditions, which belongs to 30 classes without background class.
- For some reasons, only 19 out of 30 classes are evaluated on leaderboard. The images are split into two set according to their labeling quality.
- 5,000 of them are fine annotated while the other 19,998 are coarse annotated.
- The 5,000 fine annotated images are further grouped into 2975 training images, 500 validation images and 1525 testing images.
- The images in Cityscapes have a fixed size of 1024x2048, which is too large to our network architecture. Therefore we randomly crop the images into 800x800 during training phase.
- We also increase k of GCN from 15 to 25 as the final feature map is 25x25.
- The training phase is split into two stages:
- In Stage-1, we mix up the coarse annotated images and the training set, resulting in 22,973 images.
- For Stage-2, we only finetune the network on training set.
- During the evaluation phase, we split the images into four 1024x1024 crops and fuse their score maps.
总结
根据对分类和分割的分析，发现大核对于缓解分类和定位之间的矛盾至关重要。在阐述大尺寸内核的原理的同时，提出了全局卷积网络。消融实验表明，提出的结构在有效的感受野和参数数量之间达到了良好的平衡，同时获得了良好的性能。为了进一步细化对象边界，提出了一种新颖的边界重细化模块。
定性地，GCN主要改善内部区域，而边界细化则提高边界附近的性能。
最佳模型在两个公共基准测试中实现了最先进的技术：PASCAL VOC 2012（82.2％）和Cityscapes（76.9％）。
若有收获，就点个赞吧
0 人点赞
