本文主要是介绍Python 全栈体系【四阶】（四十四），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
第五章 深度学习
九、图像分割
3. 常用模型
3.4 DeepLab 系列
3.4.3 DeepLab v3（2017）
在DeepLab v3中，主要进行了以下改进：
- 使用更深的网络结构，以及串联不同膨胀率的空洞卷积，来获取更多的上下文信息
- 优化Atrous Spatial Pyramid Pooling
- 去掉条件随机场
3.4.3.1 串联结构
上图演示了ResNet结构中，不使用空洞卷积（上）和使用不同膨胀率的空洞卷积（下）的差异，通过在Block3后使用不同膨胀率的空洞卷积，保证在扩大视野的情况下，保证特征图的分辨率。
3.4.3.2 并行结构
作者通过实验发现，膨胀率越大，卷积核中的有效权重越少，当膨胀率足够大时，只有卷积核最中间的权重有效，即退化成了1x1卷积核，并不能获取到全局的context信息。为了解决这个问题，作者在最后一个特征上使用了全局平均池化（global everage pooling）（包含1x1卷积核，输出256个通道，正则化，通过bilinear上采样还原到对应尺度）。修改后的ASPP结构图如下：
3.4.3.3 Mult-grid策略
作者考虑了multi-grid方法，即每个block中的三个卷积有各自unit rate，例如Multi Grid = (1, 2, 4)，block的dilate rate=2，则block中每个卷积的实际膨胀率=2* (1, 2, 4)=(2,4,8)。
3.4.3.4 训练策略
- 采用变化的学习率，学习率衰减策略如下（其中，power设置为0.9）：
( 1 − i t e r m a x _ i t e r ) p o w e r (1 - \frac{iter}{max\_iter})^{power} (1−max_iteriter)power
- 裁剪。在训练和测试期间，在PASCAL VOC 2012数据集上采用的裁剪尺寸为513，以保证更大的膨胀率有效。
- Batch Normalization。先在增强数据集上output stride = 16（输入图像与输出特征大小的比例），batch size=16，BN参数衰减为0.9997，训练30k个iter。之后在官方PASCAL VOC 2012的trainval集上冻结BN参数， output stride = 8，batch size=8，训练30k个iter。
- 采用上采样真值计算Loss。DeepLabv1/v2中都是下采样的真值来计算loss，这样会让细节标记产生损失，本模型使用上采样最后的输出结果计算。
- 数据随机处理。在训练阶段，对输入的图像进行随机缩放（缩放率在0.5-2.0之间），并随机执行左右翻转。
3.4.3.5 效果
-
ResNet-50和ResNet-101结构比较，更多的级联采样能获得 更高的性能
-
各种优化测略效果实验
其中，MG表示Multi-grid，ASPP 表示Atrous spatial pyramid pooling ，OS表示output stride ，MS表示Multiscale inputs during test ，Flip表示镜像增强，COCO表示MS-COCO 预训练模型。 -
其它模型对比（PASCAL VOC 2012 测试集）
-
分割效果展示
3.4.4 DeepLab v3+
3.4.4.1 深度可分离卷积
采用深度可分离卷积，大幅度降低参数数量。
深度可分离卷积分为两步：第一步逐通道卷积（参数数量3 × 3 × 3 = 27），第二步逐点卷积（参数数量1 × 1 × 3 × 4 = 12），输出4个特征图，共39个参数。
3.4.4.2 网络结构
-
Encoder：同DeepLabv3。
-
Decoder：先把encoder的结果上采样4倍，然后与resnet中下采样前的Conv2特征进行concat融合，再进行3*3卷积，最后上采样4倍得到输出结果。
-
融合低层次信息前，先进行1*1卷积，目的是减少通道数，进行降维。
-
主干网部分：采用更深的Xception网络，所有max pooling结构为stride=2的深度可卷积代替；每个3*3的depthwise卷积都跟BN和Relu。改进后的主干网结构如下：
3.4.4.3 结果
- 与其它模型的对比
- 在Cityspaces数据集上实验结果如下：
- 分割效果展示（最后一行是失败的分割）
3.5 其它模型
4. 数据集
4.1 VOC2012
Pascal VOC 2012：有 20 类目标，这些目标包括人类、机动车类以及其他类，可用于目标类别或背景的分割。
4.2 MSCOCO
是一个新的图像识别、分割和图像语义数据集，是一个大规模的图像识别、分割、标注数据集。它可以用于多种竞赛，与本领域最相关的是检测部分，因为其一部分是致力于解决分割问题的。该竞赛包含了超过80个物体类别。
4.3 Cityscapes
50 个城市的城市场景语义理解数据集，适用于汽车自动驾驶的训练数据集，包括19种都市街道场景：road、side-walk、building、wal、fence、pole、traficlight、trafic sign、vegetation、terain、sky、person、rider、car、truck、bus、train、motorcycle 和 bicycle。该数据库中用于训练和校验的精细标注的图片数量为3475，同时也包含了 2 万张粗糙的标记图片。
4.4 Pascal Context
有 400 多类的室内和室外场景。
4.5 Stanford Background Dataset
至少有一个前景物体的一组户外场景。
5. 图像分割标注工具
labelme
-
安装
pip3 install labelme -
运行
labelme -
运行界面
6. 代码实现
（见专栏 -> 全栈资料包 -> 资源包/03_dl/DeepLab3_plus.zip）
7. 附录：术语表
| 英文简称 | 英文全称 | 中文名称 |
|---|---|---|
| Semantic Segmentation | 语义分割 | |
| Instance Segmentation | 实例分割 | |
| Panoptic Segmentation | 全景分割 | |
| ASPP | Astrous Spatial Pyramid Pooling | 空洞金字塔池化 |
| FOV | Field of View | 视野 |
| CRF | Fully-connected Conditional Random Field | 全连接条件随机场 |
| DSC | Depthwise Separable Convolution | 深度可分离卷积 |
这篇关于Python 全栈体系【四阶】（四十四）的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
