如何用卷積神經(jīng)網(wǎng)絡(luò)處理語義圖像分割

圖像分割是根據(jù)圖像內(nèi)容對指定區(qū)域進(jìn)行標(biāo)記的計(jì)算機(jī)視覺任務(wù)，簡言之就是“這張圖片里有什么，其在圖片中的位置是什么？”本文聚焦于語義分割任務(wù)，即在分割圖中將同一類別的不同實(shí)例視為同一對象。

更具體地講，語義圖像分割的目標(biāo)在于標(biāo)記圖片中每一個像素，并將每一個像素與其表示的類別對應(yīng)起來。因?yàn)闀A(yù)測圖像中的每一個像素，所以一般將這樣的任務(wù)稱為密集預(yù)測。

語義分割的例子，目標(biāo)是預(yù)測圖像中每一個像素的類別標(biāo)簽。

當(dāng)我們有越來越多要用機(jī)器執(zhí)行的任務(wù)時，為這些機(jī)器配備必需的感知器是很重要的。

自動駕駛中實(shí)時語義分割道路場景

還有一點(diǎn)要注意的是我們不會分割同一類別的實(shí)例，只需要關(guān)注每一個像素的類別。換句話講，如果在輸入圖像中有兩個目標(biāo)屬于同一類，分割映射不會將其分為單獨(dú)的兩個目標(biāo)。

相對地，實(shí)例分割模型是另一種不同的模型，該模型可以區(qū)分同一類的不同目標(biāo)。

任務(wù)表征

簡單地說，我們的目標(biāo)是要用 RGB 圖（高 x 寬 x3）或灰度圖（高 x 寬 x1）為輸入，并輸出一個分割圖，在分割圖中每個像素都包括一個用整數(shù)表示的類別標(biāo)簽（高 x 寬 x1）。

注意：為了視覺上的理解簡單起見，我標(biāo)記的是分辨率比較低的預(yù)測圖。事實(shí)上，分割標(biāo)簽的分辨率是和原始輸入圖的分辨率相對應(yīng)的。

與我們處理標(biāo)準(zhǔn)分類值的方法相似，我們通過獨(dú)熱編碼類別標(biāo)簽的方法創(chuàng)建目標(biāo)——本質(zhì)上講是要為每一個可能的類創(chuàng)建一個輸出通道。

然后我們可以利用每一個像素位深向量的 argmax 函數(shù)將預(yù)測值分解為分割映射（如上圖所示）。

也可以通過將目標(biāo)重疊在輸入圖像上來對目標(biāo)進(jìn)行觀察。

建立網(wǎng)絡(luò)架構(gòu)

針對這項(xiàng)任務(wù)簡單地構(gòu)建神經(jīng)網(wǎng)絡(luò)架構(gòu)的方法是簡單地堆疊大量卷積層（用 same 填充保留維度）后輸出最終的分割映射。通過特征圖的接連轉(zhuǎn)換，直接從輸入圖像學(xué)到了相對應(yīng)的分割映射；然而，在整個網(wǎng)絡(luò)中要保留完整分辨率的計(jì)算成本是很高的。

回顧深度卷積網(wǎng)絡(luò)，前期的卷積層更傾向于學(xué)習(xí)低級概念，而后期的卷積層則會產(chǎn)生更高級（且專一）的特征圖。為了保持表達(dá)性，一般而言，當(dāng)我們到達(dá)更深層的網(wǎng)絡(luò)時，需要增加特征圖（通道）的數(shù)量。

對圖像分類任務(wù)而言，這不一定會造成什么問題，因?yàn)閷@個任務(wù)而言，我們只需要關(guān)注圖像里面有什么（而不是目標(biāo)類別對象的位置）。因此，我們可以通過池化或逐步卷積（即壓縮空間分辨率）定期對特征圖進(jìn)行下采樣以緩和計(jì)算壓力。

常用的圖像分割模型的方法遵循編碼器/解碼器結(jié)構(gòu)，在這個結(jié)構(gòu)中，我們對輸入的空間分辨率下采樣，產(chǎn)生分辨率更低的特征圖，通過學(xué)習(xí)這些特征圖可以更高效地分辨類別，還可以將這些特征表征上采樣至完整分辨率的分割圖。