基于注意力機(jī)制和擴(kuò)張解碼改進(jìn)的語義分割研究

曹玉峰，高建瓴，陳楠

（貴州大學(xué) 大數(shù)據(jù)與信息工程學(xué)院，貴陽 550025）

0 引言

近年來，語義分割已成為計(jì)算機(jī)視覺［1］和機(jī)器學(xué)習(xí)領(lǐng)域的一個(gè)基本研究課題，同時(shí)也已成為備受各方關(guān)注的學(xué)術(shù)熱點(diǎn)之一。目前的研究指出，為圖像的每個(gè)像素分配單獨(dú)的類別標(biāo)簽是構(gòu)建復(fù)雜機(jī)器人系統(tǒng)（例如無人駕駛汽車和家用機(jī)器人）的重要步驟。語義分割的最簡單定義是像素級標(biāo)記。因此，認(rèn)為僅查找場景中包含的類標(biāo)簽是遠(yuǎn)遠(yuǎn)不夠的。類標(biāo)簽應(yīng)根據(jù)上下文而變化。例如，在無人駕駛汽車中，像素標(biāo)簽可以是人、道路、汽車等。

目前，人們對語義分割的興趣日益濃厚，隨著當(dāng)代人工智能技術(shù)的不斷發(fā)展，在各種計(jì)算機(jī)視覺前沿理論研究體系中，圖像語義分割已經(jīng)漸漸成為最核心基礎(chǔ)的部分，在諸多領(lǐng)域有著廣泛的應(yīng)用。例如，在醫(yī)療影像領(lǐng)域，圖像語義分割能夠分割出細(xì)節(jié)信息，使醫(yī)生能夠從圖像中更清晰地了解到病人的身體信息，為醫(yī)生診斷病情提供幫助。在拍照時(shí)，語義分割方法能夠精準(zhǔn)地識別臉部輪廓信息，輔助人臉美化算法，釋放人類愛美的天性。在自動駕駛中，圖像語義分割能夠幫助汽車識別場景中的道路、障礙物等信息并精確定位，確保汽車行駛安全。但仍需指出的是，到目前為止，語義分割技術(shù)仍然面臨重大挑戰(zhàn)，主要表現(xiàn)為如下3 點(diǎn)：

（1）由于各個(gè)光照、拍攝距離等各方面的差異，同樣的物體在圖像中表現(xiàn)出來的特征信息可以有極大差異，而且每個(gè)物體都存在被其他物體遮擋或割裂等現(xiàn)象，因此想要進(jìn)行正確的語義信息標(biāo)記難度較大。

（2）圖像內(nèi)容各不相同，且變化各異，較為復(fù)雜，相同的物體在圖像中可能表現(xiàn)不同種情況，而不同類別的物體表現(xiàn)出來又可能極度相似。

（3）在現(xiàn)實(shí)場景中，圖像中經(jīng)常出現(xiàn)一些比較繁雜且凌亂的背景，這對于進(jìn)行圖像語義分割也是一大難點(diǎn)。

針對復(fù)雜場景中目標(biāo)分割精度不高的問題，本文提出一種基于注意力機(jī)制［2］的目標(biāo)分割方法。結(jié)合注意力機(jī)制，自適應(yīng)地學(xué)習(xí)特征圖通道之間的關(guān)系。強(qiáng)調(diào)有用信息，抑制冗余信息，提高了特征圖的判別能力。實(shí)驗(yàn)結(jié)果表明，與同類算法相比，該算法具有較好的分割效果，并顯著提高了分割效率。同時(shí)在Fast-SCNN 網(wǎng)絡(luò)的解碼器部分對圖像信息還原時(shí)，由于過度壓縮圖像信息，在圖像信息還原過程中許多特征細(xì)節(jié)信息將會丟失，導(dǎo)致最后得到的分割效率不高，因此在解碼器部分進(jìn)行一定的改進(jìn)，使用擴(kuò)張解碼［3］，捕獲更為豐富的多尺度信息，得到更密集的特征信息和更大的感受野，有效提升網(wǎng)絡(luò)模型的分割精度。

1 語義分割相關(guān)模型

2014年，定義提出了一個(gè)全卷積網(wǎng)絡(luò)（Fully Convolutional Networks，F(xiàn)CN）［4］，該網(wǎng)絡(luò)可以接受任意大小的圖像輸入，避免了采用像素塊帶來的重復(fù)存儲和計(jì)算的問題。

2015年，Hyeonwoo 等人［5］提出的Deconvnet 對分割的細(xì)節(jié)處理強(qiáng)于FCN，位于低層的filter 能捕獲目標(biāo)的形狀信息，位于高層的filter 能夠捕獲特定類別的細(xì)節(jié)信息，分割效果更好，但其對細(xì)節(jié)的處理難度較大。

2016年，劍橋大學(xué)團(tuán)隊(duì)基于FCN 設(shè)計(jì)了一種卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)SegNet［6］，使用去池化對特征圖進(jìn)行上采樣，在分割中保持細(xì)節(jié)的完整性；去掉全連接層，使其擁有較少的參數(shù)。但當(dāng)對低分辨率的特征圖進(jìn)行去池化時(shí)，會忽略鄰近像素的信息，導(dǎo)致精度不高。

2017年，TN Kipf 利用GCN［7］模型，提出了帶有大維度卷積核的編碼器-解碼器結(jié)構(gòu)，使其提取出來的特征較為優(yōu)秀。但卻具有較多的參數(shù)，從而導(dǎo)致計(jì)算復(fù)雜度較高。

2019年，提出了具有自注意力機(jī)制的雙注意網(wǎng)絡(luò)DANet［8］。在傳統(tǒng)的FCN 上附加2 種注意力模塊，分別模擬空間和通道維度中的語義相互依賴性，有助于提高分割結(jié)果的精度。

因此，網(wǎng)絡(luò)模型在具有較好實(shí)時(shí)性的同時(shí)，還能使分割精度也得以提升，仍然亟待進(jìn)一步的探討。受two-branch 結(jié)構(gòu)和encoder-decoder 網(wǎng)絡(luò)啟發(fā)的Fast-SCNN［9］網(wǎng)絡(luò)，可用于高分辨率（1 024×2 048）圖像上的實(shí)時(shí)語義分割任務(wù)。

2 本文網(wǎng)絡(luò)模型與結(jié)構(gòu)

2019年，提出了一種快速語義分割網(wǎng)絡(luò)Fast-SCNN，該模型適用于低存儲的嵌入式設(shè)備上的高效計(jì)算，相較于其他語義分割模型，不僅計(jì)算速度快，計(jì)算精度也不低，該優(yōu)勢可以滿足在交通場景上語義分割的實(shí)時(shí)性和準(zhǔn)確性。

但Fast-SCNN 網(wǎng)絡(luò)在解碼器部分進(jìn)行圖像信息還原時(shí)，由于網(wǎng)絡(luò)結(jié)構(gòu)的問題，導(dǎo)致圖像信息壓縮過度，在圖像信息還原過程中許多特征細(xì)節(jié)信息丟失，導(dǎo)致最后得到的分割效率不高，因此本文在解碼器部分進(jìn)行一定的改進(jìn)，使用擴(kuò)張解碼［3］，利用3 個(gè)擴(kuò)張卷積密集連接到一起，捕獲更為豐富的多尺度信息，得到更密集的特征信息和更大的感受野，有效提升網(wǎng)絡(luò)模型的分割精度。同時(shí)，本文還使用了CBAM 注意力模塊（Convolutional Block Attention Module），用于抑制關(guān)注一些不重要的信息通道，降低了時(shí)間復(fù)雜度，從而提高了識別效率。

2.1 Fast-SCNN 網(wǎng)絡(luò)介紹

Fast-SCNN 受雙分支結(jié)構(gòu)和傳統(tǒng)的編碼解碼結(jié)構(gòu)的啟發(fā)，基于一個(gè)編碼器解碼器結(jié)構(gòu)通過學(xué)習(xí)下采樣，利用全局特征提取器進(jìn)行特征提取，在特征融合階段通過一個(gè)二次線性插值進(jìn)行一次上采樣，繼而和學(xué)習(xí)下采樣輸出的結(jié)果直接相加后，再次通過特征融合，最后進(jìn)行像素點(diǎn)的分類，用于完成高分辨率（1 024×2 048）圖像上的實(shí)時(shí)語義分割任務(wù)。Fast-SCNN 的整體網(wǎng)絡(luò)架構(gòu)如圖1 所示。由圖1 可知，該網(wǎng)絡(luò)整體上主要由4 部分組成：學(xué)習(xí)下采樣模塊、全局特征提取器、特征融合模塊和分類器，所有模塊都采用深度可分離卷積構(gòu)建。對此擬做闡釋分述如下。

圖1 Fast-SCNN 網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Fast-SCNN network structure

（1）學(xué)習(xí)下采樣模塊。在學(xué)習(xí)下采樣模塊中，采用了3 層的結(jié)構(gòu)。只使用了3 層來確保低級特征共享的有效性和高效實(shí)施。第一層是標(biāo)準(zhǔn)卷積層（Conv2D），其余兩層是沿深度可分離的卷積層（DSConv）。學(xué)習(xí)下采樣模塊中所有3 層都使用了步長為2、卷積核大小為3×3 的卷積層，每一個(gè)卷積層后都會緊接著一個(gè)BN層和一個(gè)ReLU激活函數(shù)。

（2）全局特征提取器。全局特征提取器模塊旨在捕獲用于圖像分割的全局上下文。在傳統(tǒng)的深度分支中，其輸入圖像的分辨率一般很低，而全局特征提取器的輸入是在經(jīng)過學(xué)習(xí)下采樣模塊處理后所得到的特征圖。當(dāng)輸入和輸出大小相同時(shí)，通過殘差連接，以及使用了高效的深度可分離卷積，從而減少了參數(shù)和浮點(diǎn)運(yùn)算的數(shù)量。此外，在末尾添加了一個(gè)金字塔池模塊（PPM），以聚合基于不同區(qū)域的上下文信息。

（3）特征融合模塊。通過簡單地融合不同分支的特征以確保有效性。或者可以運(yùn)行時(shí)以性能為代價(jià)使用更復(fù)雜的特征融合模塊（例如Bisenet），以達(dá)到更高的精度。

（4）分類器。在分類器中，采用了2 個(gè)深度可分離卷積和逐點(diǎn)卷積。在特征融合模塊后增加數(shù)層可以提高準(zhǔn)確率。在訓(xùn)練期間使用了Softmax來進(jìn)行損耗的運(yùn)算。

2.2 Fast-SCNN 網(wǎng)絡(luò)的改進(jìn)

Fast-SCNN 模型中也存在著一些缺點(diǎn)和不足，圖像最終分割的效果與感受野大小有明顯的差距，需要增大感受野，原模型中還存在一些信息冗余，會導(dǎo)致模型計(jì)算速度較慢，因此想要獲得更好的效果，必須對其進(jìn)行優(yōu)化。本文對Fast-SCNN 網(wǎng)絡(luò)從以下2 個(gè)方面進(jìn)行改進(jìn)。

（1）改進(jìn)解碼器：在解碼器部分進(jìn)行一定的改進(jìn)，使用擴(kuò)張解碼，利用3 個(gè)擴(kuò)張卷積密集連接到一起，捕獲更為豐富的多尺度信息，得到更密集的特征信息和更大的感受野，有效提升網(wǎng)絡(luò)模型的分割精度。

（2）增加注意力模塊：使用了CBAM 注意力模塊（Convolutional Block Attention Module）用于抑制關(guān)注一些不重要的信息通道，降低了時(shí)間復(fù)雜度，提高了識別效率。

2.2.1 擴(kuò)張解碼

本文使用3 個(gè)不同擴(kuò)張率（2、3、5）的擴(kuò)張卷積連接起來進(jìn)行卷積操作，為了獲取到更加豐富的多尺度信息，進(jìn)行更為密集的采樣以及獲取到更大的感受野。

本文使用的擴(kuò)張解碼是將3 個(gè)擴(kuò)張卷積兩兩連接到一起，一開始輸入的特征映射被傳輸?shù)侥K中的各個(gè)擴(kuò)張卷積上作為輸入，每一個(gè)擴(kuò)張卷積的輸出都作為此后的擴(kuò)張卷積的輸入，最終，將所有卷積層的輸出級聯(lián)到一起作為結(jié)果輸出。該擴(kuò)張卷積有著更大、也更為密集的空間采樣。擴(kuò)張解碼結(jié)構(gòu)如圖2 所示。

圖2 擴(kuò)張解碼模塊結(jié)構(gòu)圖Fig.2 Structure diagram of extended decoding module

傳統(tǒng)特征提取的步驟可概述為：首先，對特征圖進(jìn)行下采樣操作來獲取到分辨率較低的特征圖；然后，進(jìn)行普通卷積操作來提取圖像特征；最后，再進(jìn)行一次上采樣操作，該操作主要作用是恢復(fù)特征圖像的分辨率，并將其輸出。而本文使用的擴(kuò)張解碼可以直接應(yīng)用于高分辨率的輸入圖片，獲取更大的感受野，使用更為密集的采樣方式來獲取到更多的空間細(xì)節(jié)信息。

2.2.2 注意力機(jī)制

CBAM 注意力機(jī)制具有輕量性和通用性的優(yōu)點(diǎn)，在前饋卷積式神經(jīng)網(wǎng)絡(luò)中，該模塊的應(yīng)用更高效簡潔。CBAM 包含2 個(gè)獨(dú)立的子模塊：通道注意力模塊（Channel Attention Module，CAM）和空間注意力模塊（Spartial Attention Module，SAM），分別進(jìn)行通道與空間上的注意力操作。CBAM 注意力機(jī)制如圖3 所示。

圖3 CBAM 注意力機(jī)制模型結(jié)構(gòu)Fig.3 CBAM model structure of attention mechanism

CBAM 整體結(jié)構(gòu)為：輸入特征圖后，卷積層輸出的結(jié)構(gòu)首先要通過一個(gè)通道注意力模塊，將輸出進(jìn)行加權(quán)后，再通過一個(gè)空間注意力模塊，最后則進(jìn)行一次加權(quán)得到完整的輸出特征圖。

通道注意力模塊（Channel Attention Module，CAM）［10］如圖4 所示，將輸入特征圖分別經(jīng)過全局最大池化和全局平均池化，再將輸出結(jié)果送入一個(gè)2 層神經(jīng)網(wǎng)絡(luò)（MLP）。經(jīng)過MLP 處理后，獲得的結(jié)果將由逐個(gè)元素依次進(jìn)行加和操作，并經(jīng)Sigmoid激活操作，生成最終輸出的通道注意力特征圖。將所獲得的特征圖與初始輸入的特征圖的所有元素逐個(gè)進(jìn)行乘法運(yùn)算作為Spatial attention 的輸入特征。

圖4 通道注意力模塊Fig.4 Channel Attention Module（CAM）

空間注意力（Spartial Attention Module，SAM）模塊［11］如圖5 所示，將通道注意力模塊的輸出作為空間注意力的輸入，輸入特征經(jīng)過一次最大池化后，再經(jīng)一次平均池化，得到2 個(gè)特征圖，然后將這2 個(gè)特征圖通道拼接起來，隨后經(jīng)過一個(gè)7×7 的卷積核對通道進(jìn)行降維處理，使通道數(shù)量變成一個(gè)，接著又通過Sigmoid激活函數(shù)將其激活，最后直接輸出空間注意力特征。

圖5 空間注意力模塊Fig.5 Spatial Attention Module（SAM）

綜上所述，本文結(jié)合擴(kuò)張解碼和注意力機(jī)制對Fast-SCNN 模型進(jìn)行改進(jìn)，獲得更好的語義分割效果，通過改進(jìn)提升了分割精度和效率。改進(jìn)后的整體網(wǎng)絡(luò)模型結(jié)構(gòu)如圖6 所示。本文使用的擴(kuò)張解碼以DDModule 命名。

圖6 改進(jìn)后的整體網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.6 Overall network structure diagram after improvement

改進(jìn)后的特點(diǎn)及優(yōu)勢可闡釋如下：

（1）使用擴(kuò)張解碼，增大感受野，獲得更豐富的的特征信息，提高了分割精度。

（2）引入CBAM 注意力機(jī)制，減少對冗余信息的關(guān)注，減少計(jì)算量。提高了分割效率。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 數(shù)據(jù)集

Cityscapes 數(shù)據(jù)集、即城市景觀數(shù)據(jù)集，是一個(gè)道路場景分割中常用的大型公開數(shù)據(jù)集，其中包含從50 個(gè)不同城市的街景中記錄的各種立體視頻序列，除了更大的20 000 個(gè)弱注釋幀之外，還有高質(zhì)量的5 000 幀像素級注釋。數(shù)據(jù)集中包括8 個(gè)類別。這八個(gè)大類涵蓋了19 個(gè)子類別。常用的19 個(gè)語義類別是：道路（Road）、人行道（Sidewalk）、建筑物（Building）、墻壁（Wall）、柵欄（Fence）、欄桿（Pole）、交通燈（Traffic light）、交通標(biāo)志（Traffic sign）、草 叢（Vegetation）、地 面（Terrain）、天 空（Sky）、行人（Person）、騎行者（Rider）、汽車（Car）、卡車（Truck）、公交車（Bus）、火車（Train）、摩托車（Motorcycle）、自行車（Bicycle）。

3.2 評價(jià)標(biāo)準(zhǔn)

本文選用MIoU（Mean Intersection over Union）語義分割評價(jià)指標(biāo)，表示平均交并比，即數(shù)據(jù)集上每一個(gè)類別的IoU值的平均。

以Cityscapes 為例，共包含19 個(gè)類別，分別對每個(gè)類別求IoU。研究推得的MIoU的計(jì)算公式為：

其中，k表示類別；（k +1）表示加上背景類；i表示真實(shí)值；j表示預(yù)測值。

此外，選用像素精度（PA）描述圖像像素的準(zhǔn)確度，選用平均像素精度（MPA）對改進(jìn)實(shí)驗(yàn)加以評定，此處需用到的公式可寫為：

3.3 實(shí)驗(yàn)環(huán)境

參數(shù)設(shè)置：初始學(xué)習(xí)率為0.001，動量為0.9，權(quán)重衰減0.000 5，批尺寸4，選擇擴(kuò)張率為（2，3，5）的擴(kuò)張解碼。具體的環(huán)境硬件以及軟件配置見表1。

表1 實(shí)驗(yàn)環(huán)境配置Tab.1 Experimental environment configuration

3.4 實(shí)驗(yàn)結(jié)果

使用擴(kuò)張率分別為（1，1，1）、（2，3，5）、（3，4，5）的擴(kuò)張解碼在Cityscapes 數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，驗(yàn)證不同擴(kuò)張率對擴(kuò)張解碼性能的影響，實(shí)驗(yàn)結(jié)果見表2。

表2 擴(kuò)張解碼對比實(shí)驗(yàn)Tab.2 Contrast experiment of extended decoding

在擴(kuò)張率為（2，3，5）下具有比擴(kuò)張率（1，1，1）更高的MIoU，且比擴(kuò)張率為（3，2，5）的計(jì)算速度快，綜上所述研究選擇擴(kuò)張率為（2，3，5）的擴(kuò)張解碼。

將Fast-SCNN 網(wǎng)絡(luò)模型的淺層特征提取解碼結(jié)構(gòu)改為擴(kuò)張解碼的網(wǎng)絡(luò)命名為EFast-SCNN。并將加入CBAM 注意力機(jī)制的網(wǎng)絡(luò)模型與原Fast-SCNN 和EFast-SCNN 進(jìn)行對比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果見表3。

表3 引入注意力機(jī)制對比實(shí)驗(yàn)Tab.3 A comparative experiment introducing attention mechanism

從表3 的實(shí)驗(yàn)結(jié)果可看出將解碼器結(jié)構(gòu)改為擴(kuò)張解碼后的EFast-SCNN 網(wǎng)絡(luò)在Cityscapes 上較原Fast-SCNN 網(wǎng)絡(luò)的MIoU值提升了7.45%，再加入CBAM 注意力模塊后又提升了5.04%，像素精度（PA）和平均像素精度（MPA）都有顯著增加，證明了改進(jìn)后的分割效果得到了提升，由于模型復(fù)雜度的提高，使得改進(jìn)網(wǎng)絡(luò)在單張圖像上的處理時(shí)間較原網(wǎng)絡(luò)有所增加，但加入輕量化注意力模塊后有效緩解了該問題。綜合前述分析可知，在大幅提升分割精度的同時(shí)，也不影響模型分割的實(shí)時(shí)性，證明了改進(jìn)是有效的。

將改進(jìn)后的DFast -SCNN+CBAM 模型在Cityscapes 數(shù)據(jù)集上得到的結(jié)果進(jìn)行可視化分析，如圖7 所示。

圖7 改進(jìn)模型在Cityscapes 數(shù)據(jù)集上結(jié)果可視化Fig.7 Visualization of results of the improved model on Cityscapes datasets

4 結(jié)束語

本文分析討論了CBAM 注意力模塊，通過實(shí)驗(yàn)選擇出擴(kuò)張率最合適的擴(kuò)張解碼，在此基礎(chǔ)上，提出了基于注意力機(jī)制的改進(jìn)方案，進(jìn)行實(shí)驗(yàn)，滿足了當(dāng)下在實(shí)際環(huán)境中道路場景的分割準(zhǔn)確率和實(shí)時(shí)性的需求，證明改進(jìn)后網(wǎng)絡(luò)的有效性和可行性。但仍有改進(jìn)的空間，未來會在輕量化網(wǎng)絡(luò)的改進(jìn)上繼續(xù)研究。