图6 PSPNet概述。给定一个输入图像（a），首先使用CNN来获得最后一个卷积层的特征图（b），然后，应用一个金字塔解析模块以生成不同的子区域表征，接着是上采样和连接层，以形成最终的特征表征，其中包含了（c）中的局部和全局上下文信息。最后，将该表征送入卷积层以获得最终的每像素预测（d）

PSPNet用带有空洞卷积的预训练的ResNet作为backbone，最后一层提取的feature map大小为输入图像的1/8。PSPNet为四级模块，其二进制大小分别为1×1、2×2、3×3和6×6。因此，通过融合四个不同金字塔尺寸的特征，将输入的feature map分为不同的子区域并生成不同位置的池化表示，从而产生不同尺寸的输出，为了强化全局特征的权重，在金字塔层数为N的情况下，利用一个1x1的卷积将上下文表示的维度降到1/N。然后将得到的特征通过双线性插值上采样至相同尺寸，进行拼接后作为最终的全局金字塔池化特征。

经过深度预训练的神经网络能够改进性能，然而深度的增加也可能会带来额外的优化困难。ResNet通过在每个块中使用skip connection来解决这个问题。本文在原始残差网络的基础之上做了一些改进，提出通过另外的损失函数来产生初始结果，然后通过最终的损失函数来学习残差。图17展示了PSPNet输入图像后的预训练ResNet网络，改进点在下图中的“loss2”，作者将这个损失作为辅助优化的损失，即auxiliary loss，简称AR，主损失为下图中“loss1”的分类损失。

图7 ResNet101中辅助损失的说明。每个蓝框表示一个残差块。辅助损失是在res4b22残差块之后添加的

随着CNN的层数不断加深，信息（输入信息或者梯度信息）容易出现弥散现象。一些研究专门针对此问题展开，比如ResNets、Stochastic depth和FractalNets。本文引入了密集卷积网络（DenseNet），以前馈方式将每一层连接到另一层。具有L层的传统卷积网络有L个连接，每个层与其后续层之间有一个连接，本文网络则具有L(L+1)/2 个直接连接。对于每个层，所有前面层的特征图用作输入，其自身的特征图被用作所有后续层的输入。

图8 一个5层的密集块，增长率为k=4。每层将所有前面的特征图作为输入

将图像定义为x_0 ，模型有L层，每一层为一个非线性转换Hl(·) ，这里 l 表示第 l 层。Hl(·)可以由以下操作组成，例如，Batch Normalization (BN) 、rectified linear units (ReLU)、 Pooling、 Convolution (Conv)。我们定义第 l 层的输出为 x_l 。传统的卷积前馈网络将第 l 层的输出作为第 l+1 层的输入。即：

而ResNets定义如下：

ResNets的一个缺点是：ResNets使用的是sum操作，这可能会阻碍信息在网络的流动。为了进一步提高两层之间信息的流动，作者提出了一个不同的连接方式，即第 l 层接收前面所有层的feature maps[ x_0,...,x_l−1]作为输入：

其中，[x_0, x_1, ... , x_l-1]是指各层产生的特征图的连接。由于其密集的连接性，作者将这种网络结构称为密集卷积网络（DenseNet）。为了便于实施，作者将Hl(·)的多个输入串联成一个单一的张量。作者将Hl(·)定义为三个连续操作的复合函数：批归一化（BN）、ReLU和3×3卷积（Conv）。

卷积网络的一个必需操作就是下采样，而这会改变feature maps的大小。但是当feature maps的大小发生改变时，上式不可用。因此，为了能够在网络结构中进行下采样，作者将网络划分成多个密集块，如下图所示：

图9 有三个密集块的深度密集网。两个相邻块之间的层被称为过渡层，通过卷积和池化改变特征图的大小

作者定义两个blocks之间的层为过渡层，其包含一个batch normalization、一个1x1卷积层和一个2x2平均池化层。尽管每一层仅仅产生k个feature maps, 但是每一层的输入依然会很多。因此，作者在3x3卷积前面增加一个1x1卷积(称为 bottleneck layer)，用于减少每一层feature map输入的数目。作者将增加了bottleneck layer的Densenet称为DenseNet-B。

为了进一步提高模型的紧凑性，作者减少过渡层的feature maps的数量。如果一个dense block包含m个feature maps, 令后面的过渡层产生 [θxm] 个输出feature maps，这里 0≤θ≤1 , 表示压缩因子。作者将使用了θ<1 的网络称为DenseNet-C，本实验中定义θ=0.5 。

6、 Mask-Lab

本文解决的是实例分割的问题，即同时解决对象检测和语义分割的任务。论文提出了一个名为MaskLab的模型，它可以产生三个输出：box检测、语义分割和方向预测。MaskLab建立在Faster-RCNN对象检测器之上，预测框提供了对象实例的准确定位。在每个感兴趣区域内，MaskLab通过组合语义和方向预测来执行前景/背景分割。语义分割有助于模型区分包括背景在内的不同语义类的对象，而方向预测估计每个像素朝向其相应中心的方向，实现分离同一语义类的实例。

图10 MaskLab产生三种输出，包括box预测（来自Faster-RCNN）、语义分割logits（用于像素分类的logits）和方向预测logits（用于预测每个像素对其相应实例中心的方向的logits）。对于每个感兴趣的区域，通过利用语义分割和方向logits进行前景/背景分割。对于语义分割逻辑，根据预测的box标签挑选通道，并根据预测的box来裁剪区域。对于方向预测Logits，进行方向汇集，从每个通道集合区域Logits。串联这两个裁剪后的特征，并通过另一个1×1卷积进行前景/背景分割

如图10，MaskLab采用ResNet-101作为特征提取器。它由三个部分组成，所有的特征共享到conv4（或res4x）块，还有一个额外的重复conv5（或res5x）块用于Faster-RCNN中的box分类器。原始的conv5块在语义分割和方向预测中都是共享的。建立在Faster-RCNN之上的MaskLab生成了box预测、语义分割逻辑（用于像素级分类的逻辑）和方向预测逻辑（用于预测每个像素对其相应实例中心的方向的逻辑）。语义分割Logits和方向预测Logits是通过在ResNet-101的conv5块的最后一个特征图之后添加的另一个1×1卷积来计算的。鉴于每个预测的方框（或感兴趣的区域），我们通过利用这两个逻辑值来进行前景/背景分割。具体的，对来自Faster-RCN预测的语义通道的裁剪过的语义Logits和经过方向汇集后的裁剪过的方向Logits的串联进行1×1卷积。

语义和方向特征。MaskLab为一幅图像生成语义分割日志和方向预测日志。语义分割逻辑用于预测像素级的语义标签，它能够分离不同语义标签的实例，包括背景类。方向预测Logits用于预测每个像素对其相应实例中心的方向，因此它们对进一步分离相同语义标签的实例很有用。

考虑到来自box预测分支的预测box和标签，我们首先从语义分割逻辑中选择与预测标签相关的通道（例如，人物通道），并根据预测的box裁剪区域。为了利用方向信息，我们进行同样的组合操作，从每个方向通道收集区域日志（由方向指定）。然后，经过裁剪的语义分割逻辑图和汇集的方向逻辑图被用于前景/背景分割。图18给出了具体细节，图中显示 "人 "的分割Logits可以清楚地将人与背景和领带分开，而方向Logits能够预测像素对其实例中心的方向。在集合了方向逻辑后，该模型能够在指定的box区域内进一步分离两个人。作者提出的方向预测逻辑是与类别无关的。具体来说，对于有K个类别的mask分割，模型需要(K+32)个通道(K个用于语义分割，32个用于方向汇集)，而输出2×(K+1)×49个通道。

图11 语义分割逻辑和方向预测逻辑被用来在每个预测的方框内进行前景/背景分割。特别是，分割逻辑能够区分不同语义类别的实例（例如，人和背景），而方向逻辑（方向是用颜色编码的）进一步区分同一语义类别的实例（例如，预测的蓝色方框中的两个人）。在assembling操作中，区域Logits（彩色三角形区域）从每个方向通道复制。例如，由红色三角形指定的区域从红色方向通道编码实例方向的0度到45度复制Logits。粉色通道编码实例方向从180度到225度的弱激活

Mask细化：作者通过利用HyperColumn特征进一步细化预测的粗略mask。如图12所示，生成的粗mask逻辑（仅利用语义和方向特征）与ResNet-101低层的特征相连接，然后由三个额外的卷积层处理，以预测最终mask。

图12 mask细化。hypercolumn特征与粗预测的mask相连接，然后送入另一个小的ConvNet，产生最终的精mask预测

“裁剪和调整大小”首先从特征映射中裁剪指定的边界框区域，然后将它们双线性地调整为指定大小（例如，4×4）。进一步将区域划分为若干子框（例如，4个子框，每个子框具有2×2的大小），并使用另一个小网络来学习每个子框的偏移。最后，依据每个变形的子框再次执行“裁剪并调整大小”操作。

图13 可变形裁剪和调整大小。(a) 裁剪和调整大小的操作是在一个边界框区域内裁剪特征，并将其调整到指定的4×4大小。(b) 然后将4×4区域分为4个小的子框，每个子框的大小为2×2。然后，对变形的sub-boxes再次进行裁剪和调整大小

*博客内容为网友个人发布，仅代表博主个人观点，如有侵权请联系工作人员删除。