在前几节讨论的目标检测问题中，我们一直使用方形边界框来标注和预测图像中的目标。本节将探讨语义分割（semantic segmentation）问题，它关注如何将图像分割成属于不同语义类别的区域。值得一提的是，这些语义区域的标注和预测都是像素级的。图9.10展示了语义分割中图像有关狗、猫和背景的标签。可以看到，与目标检测相比，语义分割标注的像素级的边框显然更加精细。

9.9_output1.png

9.9.1 图像分割和实例分割

计算机视觉领域还有2个与语义分割相似的重要问题，即图像分割（image segmentation）和实例分割（instance segmentation）。我们在这里将它们与语义分割简单区分一下。

  • 图像分割将图像分割成若干组成区域。这类问题的方法通常利用图像中像素之间的相关性。它在训练时不需要有关图像像素的标签信息，在预测时也无法保证分割出的区域具有我们希望得到的语义。以图9.10的图像为输入，图像分割可能将狗分割成两个区域：一个覆盖以黑色为主的嘴巴和眼睛，而另一个覆盖以黄色为主的其余部分身体。
  • 实例分割又叫同时检测并分割（simultaneous detection and segmentation）。它研究如何识别图像中各个目标实例的像素级区域。与语义分割有所不同，实例分割不仅需要区分语义，还要区分不同的目标实例。如果图像中有两只狗，实例分割需要区分像素属于这两只狗中的哪一只。

9.9.2 Pascal VOC2012语义分割数据集

语义分割的一个重要数据集叫作Pascal VOC2012 [1]。为了更好地了解这个数据集，我们先导入实验所需的包或模块。

  1. %matplotlib inline
  2. import time
  3. import torch
  4. import torch.nn.functional as F
  5. import torchvision
  6. import numpy as np
  7. from PIL import Image
  8. from tqdm import tqdm
  10. import sys
  11. sys.path.append("..") 
  12. import d2lzh_pytorch as d2l

我们先下载这个数据集的压缩包（下载地址）。压缩包大小是2 GB左右，下载需要一定时间。下载后解压得到VOCdevkit/VOC2012文件夹，然后将其放置在data文件夹下。

  1. !ls ../../data/VOCdevkit/VOC2012
  1. Annotations        JPEGImages         SegmentationObject
  2. ImageSets          SegmentationClass

进入../../data/VOCdevkit/VOC2012路径后，我们可以获取数据集的不同组成部分。其中ImageSets/Segmentation路径包含了指定训练和测试样本的文本文件，而JPEGImages和SegmentationClass路径下分别包含了样本的输入图像和标签。这里的标签也是图像格式，其尺寸和它所标注的输入图像的尺寸相同。标签中颜色相同的像素属于同一个语义类别。下面定义read_voc_images函数将输入图像和标签读进内存。

  1. # 本函数已保存在d2lzh_pytorch中方便以后使用
  2. def read_voc_images(root="../../data/VOCdevkit/VOC2012", 
  3.                     is_train=True, max_num=None):
  4.     txt_fname = '%s/ImageSets/Segmentation/%s' % (
  5.         root, 'train.txt' if is_train else 'val.txt')
  6.     with open(txt_fname, 'r') as f:
  7.         images = f.read().split()
  8.     if max_num is not None:
  9.         images = images[:min(max_num, len(images))]
  10.     features, labels = [None] * len(images), [None] * len(images)
  11.     for i, fname in tqdm(enumerate(images)):
  12.         features[i] = Image.open('%s/JPEGImages/%s.jpg' % (root, fname)).convert("RGB")
  13.         labels[i] = Image.open('%s/SegmentationClass/%s.png' % (root, fname)).convert("RGB")
  14.     return features, labels # PIL image
  16. voc_dir = "../../data/VOCdevkit/VOC2012"
  17. train_features, train_labels = read_voc_images(voc_dir, max_num=100)

我们画出前5张输入图像和它们的标签。在标签图像中，白色和黑色分别代表边框和背景，而其他不同的颜色则对应不同的类别。

  1. n = 5
  2. imgs = train_features[0:n] + train_labels[0:n]
  3. d2l.show_images(imgs, 2, n);

9.9_output2.png

接下来，我们列出标签中每个RGB颜色的值及其标注的类别。

  1. # 本函数已保存在d2lzh_pytorch中方便以后使用
  2. VOC_COLORMAP = [[0, 0, 0], [128, 0, 0], [0, 128, 0], [128, 128, 0],
  3.                 [0, 0, 128], [128, 0, 128], [0, 128, 128], [128, 128, 128],
  4.                 [64, 0, 0], [192, 0, 0], [64, 128, 0], [192, 128, 0],
  5.                 [64, 0, 128], [192, 0, 128], [64, 128, 128], [192, 128, 128],
  6.                 [0, 64, 0], [128, 64, 0], [0, 192, 0], [128, 192, 0],
  7.                 [0, 64, 128]]
  8. # 本函数已保存在d2lzh_pytorch中方便以后使用
  9. VOC_CLASSES = ['background', 'aeroplane', 'bicycle', 'bird', 'boat',
  10.                'bottle', 'bus', 'car', 'cat', 'chair', 'cow',
  11.                'diningtable', 'dog', 'horse', 'motorbike', 'person',
  12.                'potted plant', 'sheep', 'sofa', 'train', 'tv/monitor']

有了上面定义的两个常量以后，我们可以很容易地查找标签中每个像素的类别索引。

  1. colormap2label = torch.zeros(256 ** 3, dtype=torch.uint8)
  2. for i, colormap in enumerate(VOC_COLORMAP):
  3.     colormap2label[(colormap[0] * 256 + colormap[1]) * 256 + colormap[2]] = i
  5. # 本函数已保存在d2lzh_pytorch中方便以后使用
  6. def voc_label_indices(colormap, colormap2label):
  7.     """
  8.     convert colormap (PIL image) to colormap2label (uint8 tensor).
  9.     """
  10.     colormap = np.array(colormap.convert("RGB")).astype('int32')
  11.     idx = ((colormap[:, :, 0] * 256 + colormap[:, :, 1]) * 256
  12.            + colormap[:, :, 2])
  13.     return colormap2label[idx]

例如，第一张样本图像中飞机头部区域的类别索引为1，而背景全是0。

  1. y = voc_label_indices(train_labels[0], colormap2label)
  2. y[105:115, 130:140], VOC_CLASSES[1]

输出:

  1. (tensor([[0, 0, 0, 0, 0, 0, 0, 0, 0, 1],
  2.          [0, 0, 0, 0, 0, 0, 0, 1, 1, 1],
  3.          [0, 0, 0, 0, 0, 0, 1, 1, 1, 1],
  4.          [0, 0, 0, 0, 0, 1, 1, 1, 1, 1],
  5.          [0, 0, 0, 0, 0, 1, 1, 1, 1, 1],
  6.          [0, 0, 0, 0, 1, 1, 1, 1, 1, 1],
  7.          [0, 0, 0, 0, 0, 1, 1, 1, 1, 1],
  8.          [0, 0, 0, 0, 0, 1, 1, 1, 1, 1],
  9.          [0, 0, 0, 0, 0, 0, 1, 1, 1, 1],
  10.          [0, 0, 0, 0, 0, 0, 0, 0, 1, 1]], dtype=torch.uint8), 'aeroplane')

9.9.2.1 预处理数据

在之前的章节中，我们通过缩放图像使其符合模型的输入形状。然而在语义分割里，这样做需要将预测的像素类别重新映射回原始尺寸的输入图像。这样的映射难以做到精确，尤其在不同语义的分割区域。为了避免这个问题，我们将图像裁剪成固定尺寸而不是缩放。具体来说，我们使用图像增广里的随机裁剪，并对输入图像和标签裁剪相同区域。

  1. # 本函数已保存在d2lzh_pytorch中方便以后使用
  2. def voc_rand_crop(feature, label, height, width):
  3.     """
  4.     Random crop feature (PIL image) and label (PIL image).
  5.     """
  6.     i, j, h, w = torchvision.transforms.RandomCrop.get_params(
  7.             feature, output_size=(height, width))
  9.     feature = torchvision.transforms.functional.crop(feature, i, j, h, w)
  10.     label = torchvision.transforms.functional.crop(label, i, j, h, w)    
  12.     return feature, label
  14. imgs = []
  15. for _ in range(n):
  16.     imgs += voc_rand_crop(train_features[0], train_labels[0], 200, 300)
  17. d2l.show_images(imgs[::2] + imgs[1::2], 2, n);

9.9_segmentation.svg

9.9.2.2 自定义语义分割数据集类

我们通过继承PyTorch提供的Dataset类自定义了一个语义分割数据集类VOCSegDataset。通过实现__getitem__函数，我们可以任意访问数据集中索引为idx的输入图像及其每个像素的类别索引。由于数据集中有些图像的尺寸可能小于随机裁剪所指定的输出尺寸，这些样本需要通过自定义的filter函数所移除。此外，我们还对输入图像的RGB三个通道的值分别做标准化。

  1. # 本函数已保存在d2lzh_pytorch中方便以后使用
  2. class VOCSegDataset(torch.utils.data.Dataset):
  3.     def __init__(self, is_train, crop_size, voc_dir, colormap2label, max_num=None):
  4.         """
  5.         crop_size: (h, w)
  6.         """
  7.         self.rgb_mean = np.array([0.485, 0.456, 0.406])
  8.         self.rgb_std = np.array([0.229, 0.224, 0.225])
  9.         self.tsf = torchvision.transforms.Compose([
  10.             torchvision.transforms.ToTensor(),
  11.             torchvision.transforms.Normalize(mean=self.rgb_mean, 
  12.                                              std=self.rgb_std)
  13.         ])
  15.         self.crop_size = crop_size # (h, w)
  16.         features, labels = read_voc_images(root=voc_dir, 
  17.                                            is_train=is_train, 
  18.                                            max_num=max_num)
  19.         self.features = self.filter(features) # PIL image
  20.         self.labels = self.filter(labels)     # PIL image
  21.         self.colormap2label = colormap2label
  22.         print('read ' + str(len(self.features)) + ' valid examples')
  24.     def filter(self, imgs):
  25.         return [img for img in imgs if (
  26.             img.size[1] >= self.crop_size[0] and
  27.             img.size[0] >= self.crop_size[1])]
  29.     def __getitem__(self, idx):
  30.         feature, label = voc_rand_crop(self.features[idx], self.labels[idx],
  31.                                        *self.crop_size)
  33.         return (self.tsf(feature), # float32 tensor
  34.                 voc_label_indices(label, self.colormap2label)) # uint8 tensor
  36.     def __len__(self):
  37.         return len(self.features)

9.9.2.3 读取数据集

我们通过自定义的VOCSegDataset类来分别创建训练集和测试集的实例。假设我们指定随机裁剪的输出图像的形状为9.9 语义分割和数据集 - 图4。下面我们可以查看训练集和测试集所保留的样本个数。

  1. crop_size = (320, 480)
  2. max_num = 100
  3. voc_train = VOCSegDataset(True, crop_size, voc_dir, colormap2label, max_num)
  4. voc_test = VOCSegDataset(False, crop_size, voc_dir, colormap2label, max_num)

输出:

  1. read 75 valid examples
  2. read 77 valid examples

设批量大小为64，分别定义训练集和测试集的迭代器。

  1. batch_size = 64
  2. num_workers = 0 if sys.platform.startswith('win32') else 4
  3. train_iter = torch.utils.data.DataLoader(voc_train, batch_size, shuffle=True,
  4.                               drop_last=True, num_workers=num_workers)
  5. test_iter = torch.utils.data.DataLoader(voc_test, batch_size, drop_last=True,
  6.                              num_workers=num_workers)

打印第一个小批量的类型和形状。不同于图像分类和目标识别，这里的标签是一个三维数组。

  1. for X, Y in train_iter:
  2.     print(X.dtype, X.shape)
  3.     print(y.dtype, Y.shape)
  4.     break

输出:

  1. torch.float32 torch.Size([64, 3, 320, 480])
  2. torch.uint8 torch.Size([64, 320, 480])

小结

  • 语义分割关注如何将图像分割成属于不同语义类别的区域。
  • 语义分割的一个重要数据集叫作Pascal VOC2012。
  • 由于语义分割的输入图像和标签在像素上一一对应，所以将图像随机裁剪成固定尺寸而不是缩放。

练习

  • 回忆9.1节（图像增广）中的内容。哪些在图像分类中使用的图像增广方法难以用于语义分割？

参考文献

[1] Pascal VOC2012数据集。http://host.robots.ox.ac.uk/pascal/VOC/voc2012/

注：除代码外本节与原书基本相同，原书传送门