基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分割算法

李 軒，孫昕楠

(沈陽航空航天大學(xué) 電子與信息工程學(xué)院，沈陽 110136)

圖像分割是早期處理圖像數(shù)據(jù)最基本的方法之一。語義分割(Semantic segmentation)又稱為圖像標(biāo)注，是對每一個(gè)像素點(diǎn)進(jìn)行分類和語義標(biāo)簽[1]，利用網(wǎng)絡(luò)模型對圖像進(jìn)行多維度的特征提取，對像素點(diǎn)進(jìn)行描述并且利用特征組織方法，根據(jù)每個(gè)像素點(diǎn)所屬類別的概率來逐像素預(yù)測語義標(biāo)簽，具體如圖1所示。而在計(jì)算機(jī)視覺領(lǐng)域中，圖像分割是這個(gè)領(lǐng)域中具有挑戰(zhàn)意義的分支，其目標(biāo)區(qū)域?yàn)榫哂邢嗨普Z義特征的連續(xù)區(qū)域，通過標(biāo)簽來表示像素與目標(biāo)之間存在的關(guān)系，并且需要對語義上屬于不同對象的區(qū)域進(jìn)行進(jìn)一步提取。

圖1 圖像語義分割

如今的計(jì)算機(jī)視覺領(lǐng)域包含了目標(biāo)檢測、語義分割、姿態(tài)估計(jì)等分支，每個(gè)分支都包括對圖像信息的獲取、處理、分析等任務(wù)；而對圖像信息的采集方式有很多，比如相機(jī)的拍攝、視頻的截取、醫(yī)療器械的多維圖像采集等。圖像分割可以分為兩大部分：識別和分割，研究人員從物體、類別和背景三個(gè)層次[8]對其難點(diǎn)作了總結(jié)。圖像分割是支撐圖像理解的支柱，并且應(yīng)用在其他各個(gè)領(lǐng)域之中，如無人駕駛系統(tǒng)、智能機(jī)器人、衛(wèi)星遙感圖像分析等。

1 相關(guān)工作

1.1 FCN神經(jīng)網(wǎng)絡(luò)

圖像分割對于計(jì)算機(jī)視覺來說是一個(gè)主要的研究領(lǐng)域，諸多研究員為了突破這個(gè)領(lǐng)域不斷提出新的圖像分割算法。這些算法基本上可以分為兩類：(1)概率型；(2)深度學(xué)習(xí)。在深度學(xué)習(xí)之前，傳統(tǒng)的圖像分割方式都是通過概率圖模型來構(gòu)建條件隨機(jī)場，之后再對圖像進(jìn)行一系列分割。但傳統(tǒng)的算法并不能滿足日益增加的圖像分割需求，近年來神經(jīng)網(wǎng)絡(luò)熱度不斷地增加，基于這兩者的圖像分割算法也逐漸出現(xiàn)。在這個(gè)十分具有挑戰(zhàn)意義的領(lǐng)域，研究者們創(chuàng)辦了一個(gè)視覺識別挑戰(zhàn)賽(image net large-scale visual recognition challenge，ILSVRC)[9]，同時(shí)也成為測試神經(jīng)網(wǎng)絡(luò)的平臺，這使得深度學(xué)習(xí)在計(jì)算機(jī)視覺領(lǐng)域得到了迅速發(fā)展。

FCN(fully convolutional network)[2]網(wǎng)絡(luò)的提出為語義分割之后的發(fā)展打下了一個(gè)堅(jiān)實(shí)的基礎(chǔ)。FCN利用CNN來實(shí)現(xiàn)端對端訓(xùn)練，其對輸入圖像的尺寸沒有限制，并且能夠產(chǎn)生像素級別輸出，分類之后再通過上采樣將分類結(jié)果映射到原圖像大小，產(chǎn)生密集的像素級別標(biāo)簽，從而獲得語義分割結(jié)果。FCN網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

但利用FCN模型分割出的圖像并不夠精細(xì)，之后研究人員相繼提出了一些改進(jìn)模型，例如：U-Net[3]，SegNet[4]，RefineNet[5]，PSPNet[6]，GCN[7]，Deeplab系列[9-11]。如今圖像分割方法通常基于卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化改進(jìn)，從而多尺度卷積核、多尺度輸入和多尺度池化等多尺度網(wǎng)絡(luò)[10-12]被相繼提出。

圖2 FCN神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

目前，語義分割領(lǐng)域主要通過增加網(wǎng)絡(luò)層數(shù)、增加網(wǎng)絡(luò)復(fù)雜度提升網(wǎng)絡(luò)分割精度，或者通過減少參數(shù)量、降低網(wǎng)絡(luò)復(fù)雜度提升網(wǎng)絡(luò)效率[12]。本文針對傳統(tǒng)神經(jīng)網(wǎng)絡(luò)在圖像分割中存在的問題，提出將卷積網(wǎng)絡(luò)、空洞卷積與多尺度提取相結(jié)合的改進(jìn)方式來提升圖像分割的效果。

1.2 空洞卷積

空洞卷積[13](atrous convolutions)又名擴(kuò)張卷積(dilated convolutions)，是一種采集數(shù)據(jù)信息的方式，該結(jié)構(gòu)的目的是在不用池化操作(不損失分辨率)且計(jì)算量相當(dāng)?shù)那闆r下，提供更大的感受野。

圖3 不同擴(kuò)張率的空洞卷積

圖3a表示擴(kuò)張率為1的空洞卷積，感受野為普通卷積，圖3b表示擴(kuò)張率為2的空洞卷積，感受野為7×7(Stride=2)，圖3c表示擴(kuò)張率為3的空洞卷積，感受野為15×15。

(1)

其中，ri表示第i層的感受野邊長，l表示擴(kuò)張率。

擴(kuò)張率為2的空洞卷積與3個(gè)3×3卷積核串聯(lián)，兩者都能夠獲得7×7的感受野，然而空洞卷積是在不增加參數(shù)量的情況下使卷積的感受野變大，也就是說空洞卷積擁有更大的感受野。本文使用空洞卷積提升網(wǎng)絡(luò)中特征圖像的分辨率，通過將不同卷積層得到的特征進(jìn)行合并，使合并后的特征圖含有的信息更加多樣化。

2 網(wǎng)絡(luò)結(jié)構(gòu)

2.1 空洞卷積塊

卷積神經(jīng)網(wǎng)絡(luò)被廣泛用于圖像處理領(lǐng)域中[15-16]，本文以Karen等人[14]提出的VGG-16卷積網(wǎng)絡(luò)為基礎(chǔ)，將其網(wǎng)絡(luò)全連接層替換成卷積層，上采樣過程則是利用up-sample獲得分割圖像，但是由于細(xì)節(jié)信息不能完全恢復(fù)，所以會導(dǎo)致輸出結(jié)果的準(zhǔn)確率不高。

本文通過對VGG網(wǎng)絡(luò)進(jìn)行改進(jìn)，利用空洞卷積增大感受野，并且通過跳躍結(jié)構(gòu)使網(wǎng)絡(luò)能夠融合多尺度的信息，加入豐富的特征信息，實(shí)驗(yàn)證明本文網(wǎng)絡(luò)能夠提高像素級分類的準(zhǔn)確率。將空洞卷積與跳躍結(jié)構(gòu)結(jié)合形成的卷積塊如圖4所示。

圖4 空洞卷積塊

空洞卷積模塊由空洞(Atrous)卷積和1×1卷積組成。每個(gè)模塊可分為由空洞(Atrous)卷積跟著BN層以及Relu層和1×1卷積。神經(jīng)網(wǎng)絡(luò)會因網(wǎng)絡(luò)變深帶來梯度爆炸和網(wǎng)絡(luò)性能降低等問題，為了解決這個(gè)問題并更好地利用不同層之間的特征信息，研究人員提出了殘差神經(jīng)網(wǎng)絡(luò)[17]，主要是利用了殘差學(xué)習(xí)。所以本文引入了殘差學(xué)習(xí)中的跳躍結(jié)構(gòu)，并引入空洞卷積來解決特征圖分辨率太低的問題，彌補(bǔ)了FCN網(wǎng)絡(luò)圖像細(xì)節(jié)較差的缺點(diǎn)。

2.2 多尺度提取

針對分割精度的問題，本文提出了多尺度特征提取的網(wǎng)絡(luò)結(jié)構(gòu)。為提升分割精度，設(shè)計(jì)了兩種卷積并行的采樣模塊，充分利用其學(xué)習(xí)能力和學(xué)習(xí)效率。特征提取過程如圖5所示，并且每個(gè)卷積層之后都會用Relu函數(shù)和BN層，但最后的卷積層沒有Relu函數(shù)和BN層，特征圖通過Pooling操作，若除不開則向上取整。由此將卷積塊和空洞卷積塊提取出來的不同特征進(jìn)行融合，能夠?qū)W(wǎng)絡(luò)精度有所提升。

圖5 網(wǎng)絡(luò)的特征提取結(jié)構(gòu)

本文的激活函數(shù)為Relu函數(shù)，將經(jīng)過Pooling2之后的輸出特征圖分別送入到有3個(gè)連續(xù)的3×3卷積的分支和空洞卷積模塊的分支中，特征信息通過這兩個(gè)分支都會生成不同的特征圖，并將這兩個(gè)不同的輸出特征圖進(jìn)行concat操作，之后重復(fù)以上操作。在空洞卷積模塊中空洞卷積選用的擴(kuò)張率為2，并結(jié)合了跳躍連接，使采樣更加密集，網(wǎng)絡(luò)由此進(jìn)行了多尺度的特征提取與融合。根據(jù)公式(1)和(2)可知，特征圖在本文使用的擴(kuò)張率為2的空洞卷積的感受野為7×7,圖像經(jīng)過3個(gè)連續(xù)的3×3卷積后的輸出尺寸滿足寬高的匹配，從而最大化提取有效特征進(jìn)行融合。在信息提取的過程中，不同的卷積分支提取的信息也不相同，Concat操作能夠?qū)蓚€(gè)及以上同等大小的特征圖進(jìn)行拼接，達(dá)到特征融合、促進(jìn)信息傳播的作用。特征提取之后利用Up-sample對特征進(jìn)行尺寸的恢復(fù)，Up-sample是反卷積的過程，通過這個(gè)步驟來將輸出的特征圖像恢復(fù)到原輸入圖像的大小，以實(shí)現(xiàn)像素級的語義分割。

2.3 網(wǎng)絡(luò)架構(gòu)

在網(wǎng)絡(luò)中，通過卷積層來對圖像進(jìn)行特征提取，并利用空洞卷積增大感受野。Fout表示經(jīng)過卷積層后的輸出圖像尺寸，F(xiàn)in表示經(jīng)過卷積層前的輸入圖像尺寸，P表示Padding，k為卷積核大小，s為卷積核步長。

(2)

(3)

每個(gè)卷積層的輸入圖像的尺寸為H×W×C，其中H與W分別表示圖像的高與寬、C為通道數(shù)、Wi為第i層卷積核的權(quán)重、bi為第i層卷積核的權(quán)重偏置、Xi為第i層卷積核的輸入，f為激活函數(shù)、則第i層的輸出Y的公式為：

Y=f(Wi×Xi+bi)

(4)

本文網(wǎng)絡(luò)中使用了1×1卷積核、3×3卷積核和擴(kuò)張率為2的空洞卷積來抓取不同尺度的信息。網(wǎng)絡(luò)有一個(gè)分支只有3×3卷積核對輸入進(jìn)行信息的抓取，特征圖在經(jīng)過Pooling之后會降維為原來的1/2。在另一個(gè)分支采用了擴(kuò)張率為2的空洞卷積、1×1卷積核和跳躍結(jié)構(gòu)，其中擴(kuò)張率為2的空洞卷積在分支上增加網(wǎng)絡(luò)的感受野提取特征，之后使用1×1卷積核恢復(fù)維度再進(jìn)行學(xué)習(xí)，以此來抓取不同尺度的圖像信息。本文算法提出，由不同卷積提取到的多尺度特征在通道維度上進(jìn)行拼接，這之后再使用反卷積，通過這種操作為網(wǎng)絡(luò)提供了更具價(jià)值的上下文信息和全局信息，更加有效地利用多尺度的特征信息，其網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示。

圖6 網(wǎng)絡(luò)結(jié)構(gòu)

Up-sample是對卷積抓取到的特征進(jìn)行逐層上采樣操作，將提取的語義特征層映射，恢復(fù)為原尺寸大小的語義分割圖。在上采樣過程中，傳統(tǒng)的全卷積神經(jīng)網(wǎng)絡(luò)只對最終映射結(jié)果進(jìn)行上采樣，以得到與輸入大小相同的圖像，但會忽略一些具有一定的表征能力的信息。特征的融合是通過對不同卷積抓取到的信息進(jìn)行連接來實(shí)現(xiàn)的。對Conv6層采用大小為1的卷積核進(jìn)行卷積，以獲得N通道的特征圖Conv7層，其中N為類別數(shù)。然后對Conv7層進(jìn)行上采樣，獲得Up1層將通過Conv5層與卷積所得的特征信息與Up1層沿特征維進(jìn)行堆疊，獲得Up2層。最終獲得的Up6層融合了3個(gè)層次的特征，尺寸與輸入圖像相同，分割是通過對每個(gè)像素的特征向量計(jì)算類別概率產(chǎn)生的。為了更好地利用這些信息，網(wǎng)絡(luò)通過空洞卷積塊將多尺度信息與相對應(yīng)up-sample后的信息進(jìn)行特征融合，使上下文信息能夠傳播到更高的分辨率層，強(qiáng)化網(wǎng)絡(luò)的特征學(xué)習(xí)能力，提高網(wǎng)絡(luò)分割的準(zhǔn)確率。

3 實(shí)驗(yàn)結(jié)果與分析

本文實(shí)驗(yàn)?zāi)康氖球?yàn)證所提出的利用不同卷積核進(jìn)行多尺度信息抓取方式對準(zhǔn)確性的提升是否有幫助，所使用的數(shù)據(jù)集為CamVid數(shù)據(jù)集。CamVid數(shù)據(jù)集是城市道路場景的分割數(shù)據(jù)集，它包含367張訓(xùn)練圖片、101張驗(yàn)證圖片、233張測試圖片和11個(gè)語義類別。

3.1 評價(jià)指標(biāo)

在語義分割領(lǐng)域中，常用的評價(jià)指標(biāo)有平均精度(AP)、平均精度均值(mAP)、像素準(zhǔn)確率(PA)、平均準(zhǔn)確率(MA)和平均交并比(mIoU)。本文采用平均交并比(mIoU)作為評價(jià)指標(biāo)。

假設(shè)圖像分割共有n+1個(gè)類(從0到n表示類別，其中n+1表示背景類)，nij表示i類但被預(yù)測為j類的數(shù)量。即nii表示真正例的數(shù)量。則平均交并比(mIoU)公式為

(5)

通過計(jì)算以上評價(jià)指標(biāo)可以判斷模型的精確程度(使并集盡可能重合)。

3.2 實(shí)驗(yàn)結(jié)果對比

本文在CamVid數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，將整個(gè)數(shù)據(jù)集分為訓(xùn)練集、驗(yàn)證集和測試集，在數(shù)據(jù)集中圖片尺寸不固定，輸入到網(wǎng)絡(luò)中進(jìn)行訓(xùn)練。并在相同數(shù)據(jù)集上與Long等[18]提出的FCN-16s進(jìn)行對比，對最終的結(jié)果進(jìn)行分析，如圖7所示。

圖7是在測試集上的可視化效果，圖7c為本文算法的預(yù)測圖像，圖7d為FCN-16s的預(yù)測圖像，對比圖7c和圖7d可以得出，與FCN-16s的分辨率相比，本文算法對物體的細(xì)節(jié)更敏感，判別能力更強(qiáng)。由于Atrous卷積從網(wǎng)絡(luò)中Conv-3中的卷積開始使用，與Conv-3、Conv-4、Conv-5的卷積并聯(lián)的Atrous卷積的擴(kuò)張率值設(shè)置為2，確保了兩個(gè)分支的感受野具有相同尺寸。通過實(shí)驗(yàn)驗(yàn)證了在基于全卷積結(jié)構(gòu)基礎(chǔ)上，引入Atrous卷積會對網(wǎng)絡(luò)精確度的提高有幫助。結(jié)果顯示(表1)在分割結(jié)果上，本文網(wǎng)絡(luò)的精確率要優(yōu)于全卷積網(wǎng)絡(luò)。

圖7 預(yù)測圖像對比圖

同時(shí)，本文所提網(wǎng)絡(luò)的復(fù)雜程度要大于全卷積網(wǎng)絡(luò)，但是參數(shù)規(guī)模并沒有增加很多，網(wǎng)絡(luò)的計(jì)算效率更高。由此可知，本文設(shè)計(jì)的一個(gè)多尺度特征提取網(wǎng)絡(luò)(圖 5)，能夠更加高效地提高特征提取的質(zhì)量。利用空洞卷積來獲取更大尺度的語義信息，將不同卷積核抓取的不同尺度信息進(jìn)行拼接，使網(wǎng)絡(luò)能夠獲得全局信息。本文也對預(yù)測結(jié)果做了可視化對比，如圖8所示。

圖8 可視化細(xì)節(jié)比較

多尺度特征的融合對圖像中物體細(xì)節(jié)特征采用深層特征，只能獲取基本的輪廓，缺少細(xì)節(jié)信息。融合了Conv5、Conv4、Conv3這3層特征之后，細(xì)節(jié)信息得到了一定程度上的恢復(fù)。分割的細(xì)節(jié)如圖8所示，F(xiàn)CN-16s和本文算法對汽車或者騎自行車的人的邊界輪廓清晰，相比FCN-16s分割圖像，本文算法的細(xì)節(jié)描述具有較好的效果，說明多尺度信息融合對預(yù)測圖像細(xì)節(jié)信息有著很大的幫助。

4 結(jié)論

本文對全卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)，設(shè)計(jì)了能夠抓取并融合多尺度特征信息的網(wǎng)絡(luò)。采用跳越結(jié)構(gòu)可以改善空間細(xì)節(jié)和并聯(lián)空洞卷積來抓取多尺度特征信息。提出了空洞卷積和卷積并行的方式，引入空洞卷積解決降采樣造成的分割像素精度下降的問題。對網(wǎng)絡(luò)增加一個(gè)分支，利用空洞卷積來更有效地抓取更多的上下文信息，融合兩個(gè)分支的輸出特征圖像，充分地利用各層的特征信息，從而利用圖像特征來提升網(wǎng)絡(luò)的學(xué)習(xí)能力和輸出結(jié)果的精確度。

實(shí)驗(yàn)結(jié)果表明，加入跳躍結(jié)構(gòu)與空洞卷積后的網(wǎng)絡(luò)性能有所提高。本文的網(wǎng)絡(luò)所使用的卷積核都為小尺寸的卷積核，有助于提高系統(tǒng)的整體性能并且能夠促進(jìn)語義分割的應(yīng)用。