https://mp.weixin.qq.com/s/9kPerUT-ljgbBFPgcNgFqQ
1
前言
很多关注的朋友一直会问“计算机视觉研究院“有基础性的内容吗？”，今天我和大家说一次，我们平台之前有推送很多基础的知识，有兴趣的或者是刚刚接触CV&DL的你，可以去历史消息阅读，在这也感谢所有一直关注和支持我们的小伙伴！接下来就和大家说说目标分割的事吧~
分割其实在很多领域是非常重要的研究对象，现在也有很多研究者在该领域大展身手，比如何大神，一直在该方面的做的最优秀之一，今天就基于他CVPR 2018的一篇优秀Paper说起。
2
概述
大多数目标实例分割的方法都要求所有的训练样本带有segmentation masks。这种要求就使得注释新类别的开销很大，并且将实例分段模型限制为∼100注释良好的类。
本次技术目的是提出一种新的部分监督的训练模式，该模式具有一种新的权重传递函数，结合一种新的权重传递函数，可以在一大组类别上进行训练实例分割模型，所有这些类别都有框注释，但只有一小部分有mask注释。这些设计允许我们训练MASK R-CNN，使用VisualGenome数据集的框注释和COCO数据集中80个类的mask注释来检测和分割3000种视觉概念。
最终，在COCO数据集的对照研究中评估了提出的方法。这项工作是迈向对视觉世界有广泛理解的实例分割模型的第一步。
在正式细说本次分割技术之前，还是简单说下分割的事，有一个简单的引言和大家分享下，没有兴趣的您可以直接跳过，阅读关键技术部分，谢谢！
目标检测器已经变得更加精确，并获得了重要的新功能。最令人兴奋的是能够预测每个检测到的目标前景分割mask，这是一个称为instance segmentation的任务。在实践中，典型的instance segmentation系统仅限于仅包含大约100个目标类别的广阔视觉世界的一小部分。
-
会有很多人问：什么是语义分割？
语义分割其实就是对图片的每个像素都做分类。其中，较为重要的语义分割数据集有：VOC2012 以及 MSCOCO 。
-
比较流行经典的几种方法
传统机器学习方法：如像素级的决策树分类，参考TextonForest以及Random Forest based classifiers。再有就是深度学习方法。深度学习最初流行的分割方法是，打补丁式的分类方法 (patch classification) 。逐像素地抽取周围像素对中心像素进行分类。由于当时的卷积网络末端都使用全连接层 (full connected layers) ，所以只能使用这种逐像素的分割方法。但是到了2014年，来自伯克利的Fully Convolutional Networks(FCN)【点击蓝色，有链接直接可以阅读全卷积网络相关资料】卷积网络，去掉了末端的全连接层。随后的语义分割模型基本上都采用了这种结构。除了全连接层，语义分割另一个重要的问题是池化层。池化层能进一步提取抽象特征增加感受域，但是丢弃了像素的位置信息。但是语义分割需要类别标签和原图像对齐，因此需要从新引入像素的位置信息。有两种不同的架构可以解决此像素定位问题。
-
第一种是编码-译码架构。编码过程通过池化层逐渐减少位置信息、抽取抽象特征；译码过程逐渐恢复位置信息。一般译码与编码间有直接的连接。该类架构中U-net 是最流行的。
-
第二种是膨胀卷积 (dilated convolutions) 【这个核心技术值得去阅读学习】，抛弃了池化层。使用的卷积核如下图所示：
居然都说到这里，那我继续来简单说一些相关的文献吧。
按时间顺序总结，大概我能总结9篇paper，看语义分割的结构是如何演变的。分别有FCN 、SegNet 、U-Net、Dilated Convolutions 、DeepLab (v1 & v2) 、RefineNet 、PSPNet 、Large Kernel Matters 、DeepLab v3 。
参考文章：（“计算机视觉战队”微信公众平台推送）
1）FCN 2014年
主要的贡献：
-
为语义分割引入了 端到端 的全卷积网络，并流行开来
-
重新利用 ImageNet 的预训练网络用于语义分割
-
使用 反卷积层 进行上采样
-
引入跳跃连接来改善上采样粗糙的像素定位
比较重要的发现是，分类网络中的全连接层可以看作对输入的全域卷积操作，这种转换能使计算更为高效，并且能重新利用ImageNet的预训练网络。经过多层卷积及池化操作后，需要进行上采样，FCN使用反卷积（可学习）取代简单的线性插值算法进行上采样。
2）SegNet 2015年
编码-译码架构
主要贡献：将池化层结果应用到译码过程。引入了更多的编码信息。使用的是pooling indices而不是直接复制特征，只是将编码过程中 pool 的位置记下来，在 uppooling 是使用该信息进行 pooling 。
3）U-Net 2015
U-Net有更规整的网络结构，通过将编码器的每层结果拼接到译码器中得到更好的结果。
4）Dilated Convolutions 2015年
通过膨胀卷积操作聚合多尺度的信息
主要贡献：
-
使用膨胀卷积
-
提出 ’context module‘ ，用来聚合多尺度的信息
池化在分类网络中能够扩大感知域，同样降低了分辨率，所以提出了膨胀卷积层。
5）DeepLab (v1 & v2) 2014 & 2016
“计算机视觉战队”微信公众平台推送过，可以查阅：
6）RefineNet 2016年
主要贡献：
-
精心设计的译码模块
-
所有模块遵循残余连接设计
膨胀卷积有几个缺点，如计算量大、需要大量内存。这篇文章采用编码-译码架构。编码部分是ResNet-101模块。译码采用RefineNet模块，该模块融合了编码模块的高分辨率特征和前一个RefineNet模块的抽象特征。每个RefineNet模块接收多个不同分辨率特征，并融合。
7）PSPNet 2016年
Pyramid Scene Parsing Network 金字塔场景解析网络
主要贡献：
-
提出了金字塔池化模块来聚合图片信息
-
使用附加的损失函数
金字塔池化模块通过应用大核心池化层来提高感知域。使用膨胀卷积来修改ResNet网，并增加了金字塔池化模块。金字塔池化模块对ResNet输出的特征进行不同规模的池化操作，并作上采样后，拼接起来，最后得到结果。
本文提出的网络结构简单来说就是将DeepLab（不完全一样）aspp之前的feature map pooling了四种尺度之后将5种feature map concat到一起经过卷积最后进行prediction的过程。
8）Large Kernel Matters 2017
主要贡献：
-
提出了使用大卷积核的编码-译码架构
理论上更深的ResNet能有很大的感知域，但研究表明实际上提取的信息来自很小的范围，因此使用大核来扩大感知域。但是核越大，计算量越大，因此将k x k的卷积近似转换为1 x k + k x 1和k x 1 + 1 x k卷积的和，称为GCN。
本文的架构是：使用ResNet作为编译器，而GCN和反卷积作为译码器。还使用了名为Boundary Refinement的残余模块。
9）DeepLab v3 2017（这个我们即将给大家接着上次系列继续分享）
主要贡献：
-
改进 ASPP
-
串行部署 ASPP 的模块
和DeepLab v2一样，将膨胀卷积应用于ResNet中。改进的ASPP指的是将不同膨胀率的膨胀卷积结果拼接起来，并使用了BN 。与Dilated convolutions (2015) 不一样的是，v3直接对中间的特征图进行膨胀卷积，而不是在最后做。
小总结：
现在把之前较为典型的简单介绍了一遍，现在接下来我们继续说今天这个分割技术。
3
学习分割Everything
让C是一组目标类别，希望为其训练一个instance segmentation模型。大多数现有方法假设C中的所有训练样本都带有instance mask。于是，本次放宽了这一要求，而是假设C=A∪B，其中来自A中类别的样本有mask，而B中的只有边界框。由于B类的样本是弱标记的w.r.t.目标任务(instance segmentation)，将强标签和弱标签组合的训练作为一个部分监督的学习问题。注意到可以很容易地将instance mask转换为边界框，假设边界框注释也适用于A中的类。给出了一个包含边界框检测组件和mask预测组件的MASK R-CNN instance segmentation模型，提出了MaskX R-CNN方法，该方法将特定类别的信息从模型的边界框检测器转移到其instance mask预测器。
-
权重传递来Mask预测
本方法是建立在Mask R-CNN，因为它是一个简单的instance segmentation模型，也取得了最先进的结果。简单地说，MASK R-CNN可以被看作是一个更快的R-CNN边界框检测模型，它有一个附加的mask分支，即一个小的全卷积网络(FCN)。
在推理时，将mask分支应用于每个检测到的对象，以预测instance-level的前景分割mask。在训练过程中，mask分支与Faster R-CNN中的标准边界框head并行训练。在Mask R-CNN中，边界框分支中的最后一层和mask分支中的最后一层都包含特定类别的参数，这些参数分别用于对每个类别执行边界框分类和instance mask预测。与独立学习类别特定的包围框参数和mask参数不同，我们建议使用一个通用的、与类别无关的权重传递函数来预测一个类别的mask参数，该函数可以作为整个模型的一部分进行联合训练。
具体如下如所示：
-
Training
在训练期间，假设对于A和B两组类，instance mask注释仅适用于A中的类，而不适用于B中的类，而A和B中的所有类都有可用的边界框注释。如上图所示，我们使用A∪B中所有类的标准框检测损失来训练边界框head，但只训练mask head和权重传递函数T(·)，在A类中使用mask loss，考虑到这些损失，我们探索了两种不同的训练过程：分阶段训练和端到端训练。
分阶段训练
由于Mask R-CNN可以被看作是用mask head增强Faster R-CNN，一种可能的训练策略是将训练过程分为检测训练(第一阶段)和分割训练(第二阶段)。
在第一阶段，只使用A∪B中类的边界框注释来训练一个Faster R-cnn，然后在第二阶段训练附加的mask head，同时保持卷积特征和边界框head的固定。这样，每个c类的类特定检测权重wc可以被看作是在训练第二阶段时不需要更新的固定类emdet层叠向量。
该方法具有很好的实用价值，使我们可以对边界框检测模型进行一次训练，然后对权重传递函数的设计方案进行快速评估。它也有缺点，这是我们接下来要讨论的。
端到端联合训练
结果表明，对于MASK R-CNN来说，多任务训练比单独训练更能提高训练效果。上述分阶段训练机制将检测训练和分割训练分开，可能导致性能低下。
因此，我们也希望以一种端到端的方式，联合训练边界框head和mask head。原则上，可以直接使用A∪B中类的box损失和A中类的mask loss来进行反向传播训练，但是，这可能导致A组和B组之间的类特定检测权重Wc的差异，因为只有c∈A的Wc会通过权重传递函数T(·)从mask loss得到梯度。
我们希望Wc在A和B之间是均匀的，这样在A上训练的预测Wc=T(Wc；θ)可以更好地推广到B。
4
实验
表1 Ablation on input to T
表2 Ablation on the structure of T
表3 Impact of the MLP mask branch
表4 Ablation on the training strategy
Each point corresponds to our method on a random A/Bsplit of COCO classes.
效果图
Mask predictions from the class-agnostic baseline (top row) vs. our MaskX R-CNN approach (bottom row). Green boxes are classes in set A while the red boxes are classes in set B. The left 2 columns are A = {voc} and the right 2 columns are A = {non-voc}.
Example mask predictions from our MaskX R-CNN on 3000 classes in Visual Genome. The green boxes are the 80 classes that overlap with COCO (set A with mask training data) while the red boxes are the remaining 2920 classes not in COCO (set B without mask training data). It can be seen that our model generates reasonable mask predictions on many classes in set B. See §5 for details.