目录

一、上采样

二、ROI Pooling操作及其改进

三、FPN（特征金字塔网络）

四、语义分割

五、FCN（全卷积网络）

六、U-Net

七、Mask R-CNN

---

一、上采样

• 上采样方式
  • Resize

• • • 双线性插值直接缩放，类似图像缩放，如双线性插值。
    • 双线性插值又称双线性内插，是两个变量插值函数的线性插值扩展，核心思想是在两个方向分别进行一次线性插值。
    • 例如已知Q12、Q22、Q11、Q21四个点，在x轴方向插值得到R1、R2，再对R1、R2插值得到P点。
    • 数学上，可简化插值公式或用矩阵运算表示，如将坐标系统设定为特定值时，插值公式可化简。
  • Deconvolution（转置卷积）

• • • 通过conv2d_transpose函数实现。
    • 参数说明：filter为卷积核，形状为[kernel_size, kernel_size, output_channels, input_channels]，与正向卷积核的通道数参数放置位置相反；output_shape为输出张量形状；strides为步幅；padding为填充方式。
    • 实现过程分两步：第一步扩充输入，元素之间插入0，扩充倍数与步幅有关；第二步对扩充后的矩阵用卷积核进行卷积操作，步长为1，卷积核数量由filter决定。
• 实验代码
  • 使用TensorFlow的conv2d_transpose，输入一张28x28的图像，卷积核尺寸4x4，输出通道数5，输入通道数3，设置步幅为2，padding为"SAME"，输出形状为1x56x56x5。

二、ROI Pooling操作及其改进

• RoI Pooling

• • 应用于Faster RCNN中，用于目标检测的特征提取。
  • 具体步骤：
    • 计算特征图上对应区域的大小，如400x300的边界框在feat stride=16时对应25x18.75的特征区域，需进行第一次量化操作，得到25x18。
    • 根据固定输出尺寸划分特征图，如输出7x7时，每块大小为25/7x18/7≈3.57x2.57，需第二次量化操作，得到3x2区域，再进行max pooling。
• RoI Wrap Pooling

• • 与RoI Pooling的区别在于第二步使用双线性差值算法，使特征图变化到固定尺度，减少量化误差。
• RoI Align Pooling

• • 在Mask RCNN中采用，完全去掉量化操作，使用双线性插值使网络特征图中的点连续。
  • 如特征区域大小为25x18.75，每个块大小为3.57x2.65，通过选择采样点并双线性插值得到连续值。

三、FPN（特征金字塔网络）

• 组合结构

• • 由自下而上和自上而下路径组成，其中自下而上路径用于特征提取，空间分辨率逐渐下降，语义值增加。
  • 可结合RPN、Fast R-CNN或Faster R-CNN使用，生成特征图金字塔，根据ROI大小选择合适的特征图层提取特征块。
• 改进检测器

• • 提供自上而下的路径，从语义丰富的层构建高分辨率层，提高检测准确率和速度，尤其是小目标检测。
  • 添加横向连接，使目标位置检测更准确。
• 在不同框架中的应用

• • SSD：通过多个特征图完成检测，但最底层分辨率高但语义不足，不用于检测，导致小目标检测性能差。
  • YOLOv3：使用DarkNet-53作为骨干网络，并添加特征金字塔，增强小目标检测能力，使用3个尺度的特征图进行多尺度检测。

四、语义分割

• 定义与应用场景
  • 图像语义分割是对图像中每个像素点分类，确定其类别，是图像处理和机器视觉的重要部分，应用于自动驾驶、无人机落点判定等领域。
  • 分类包括语义分割、实例分割和全景分割。
  • CNN通过多层结构自动学习多尺度特征，适合分类而不适合分割，因convolution和pooling过程丢失细节。

五、FCN（全卷积网络）

• 网络结构
  • 结构类似编码器-解码器，经过多次conv和max pooling，feature map尺寸逐渐减小。
  • 不使用全连接层，将全连接替换为卷积，输出2维feature map后接softmax获得像素级分类信息。
• 不同版本差异
  • FCN-32s：对pool5 feature进行32倍上采样。
  • FCN-16s：先对pool5 feature进行2倍上采样与pool4 feature相加，再进行16倍上采样。
  • FCN-8s：在pool4和pool3特征融合基础上进行更多次融合。
  • 融合多层feature有利于提高分割准确性。

六、U-Net

• 结构与特点
  • 参加ISBI Challenge提出的分割网络，适应小训练集。
  • 结构类似U形，使用conv+max pooling下采样，再通过deconv反卷积上采样，crop之前的低层feature map进行融合。
  • 采用特征拼接而非逐点相加，形成更“厚”特征。

七、Mask R-CNN

• 网络结构

• • 基于Faster R-CNN，在分类和坐标回归基础上增加语义分割分支。
  • 主干网络使用ResNet50与ResNet FPN，HEAT Network在每个ROI输出Mask。
  • Loss函数包括Loss mask，对每个像素进行分类，使用average binary cross-entropy loss。
• ROI Align

• • 改进自Faster R-CNN的Roi-Pooling，取消量化操作，对像素进行精准对准。
• 训练与Inference细节

• • 训练时与Faster R-CNN类似，图像变换到短边800，正负样本比例1:3。
  • Inference时，ResNet的Mask R-CNN生成300个候选区域，FPN生成1000个候选区域进行分类回归和非极大值抑制，最后检测分数前100的区域进行mask检测。
• 实验结果

• • 溶解实验：网络越深效果越好，FPN效果好，sigmoid优于softmax，RoI Align提升效果，特别是AP75，Mask分支采用CNN效果好，每个类预测mask更好。
  • 目标检测结果：即使不使用mask分支，结果也很好，RoI Align比RoI Pooling高约0.9个点，比Mask R-CNN低0.9个点，归结为多任务训练提升。
  • 人体关键点检测：mask进行one-hot编码，输出softmax，mask分辨率提高有利于检测。

总述：语义分割涉及多种技术，包括上采样、特征金字塔网络、不同的pooling方法和网络架构如FCN、U-Net、Mask R-CNN等。这些技术的应用和改进有助于提高目标检测和分割的精度。