一种不同于双线性插值的上采样方法

今天为大家推荐一篇 CVPR2019 关于语义分割的文章 Decoders Matter for Semantic Segmentation: Data-Dependent Decoding Enables Flexible Feature Aggregation，该文章提出了一种不同于双线性插值的上采样方法，能够更好的建立每个像素之间预测的相关性。得益于这个强大的上采样方法，模型能够减少对特征图分辨率的依赖，能极大的减少运算量。该工作在 PASCAL VOC 数据集上达到了 88.1% 的 mIOU，超过了 DeeplabV3 + 的同时只有其 30% 的计算量。

论文传送门：https://arxiv.org/abs/1903.02120

1. Introduction

在之前的语义分割方法中，双线性插值通常作为其最后一步来还原特征图的分辨率，由于非线性差值不能建立起每个像素的预测之间的关系，因此为了得到精细的结果，对特征图的分辨率要求较高，同时带来了巨额的计算量。

为了解决这个问题，本工作提出了Data-dependent Up-sampling (DUpsample)，能够减少上采样操作对特征图分辨率的依赖，大量的减少计算量。同时得益于 DUpsample， Encoder 中的 low-level feature 能够以更小的运算量与 Decoder 中的 high-level feature 进行融合，模型结构如下所示：

我们可以看到，该网络将传统的非线性插值替换成 DUpsample，同时在 feature fuse 方面，不同于之前方法将 Decoder 中的特征上采样与 Encoder 特征融合，本工作将 Encoder 中的特征下采样与 Decoder 融合，大大减少了计算量 ，这都得益于 DUpsample。

2. Our Approach

之前的语义分割方法使用下列公式来得到最终的损失：

其中 Loss 通常为交叉熵损失，F 为特征图，Y 为 ground truth，由于双线性插值过于简单，对特征图 F 的分辨率较高，因此引入了大量的计算。一个重要的发现是语义分割输入图像的 label Y 并不是 i.i.d 的，所以 Y 可以被压缩成 Y′，我们令, 并将 Y 划分成的子窗口，每个子窗口的大小为 r×r，接着我们将每个子窗口拉伸成向量，其中，随即我们将向量 v 压缩成低维向量 x，我们使用线性投影来完成，最后，我们有：其中，用来将 v 压缩成 x，为 reconstruction matrix, v′为重建后的 v，我们可以用压缩后的向量 x 组合成 Y′.

矩阵 P 和矩阵 W 可以通过最小化下列式子得到：

我们可以使用梯度下降，或者在正交约束的条件下使用 PCA 求解。

使用压缩后的 Y′为目标，我们可以使用下列损失函数来预训练网络：

另一种直接的方法是在 Y 空间计算 loss，也就是并非将 Y 压缩到 Y′, 我们可以将 F 使用 W（上面预训练得到的）上采样然后计算损失，公式如下：

其中以两倍为例，DUpsample 的操作如下图所示：

我们可以用 1X1 卷积来完成上述的权重与特征相乘的过程。但是当我们将这个模块嵌入到网络时会遇到优化问题。因此我们使用 softmax with temperature 函数来解决这个问题：

。

我们发现 T 可以使用梯度下降学习得到，这样减少了调试的麻烦。

有大量的工作说明，与 low-level features 结合可以显著的提升分割的精度，其做法如下：

f 是在上采样之后的卷积操作，其计算量依赖于特征图的空间大小，这样做会显著增加计算量。得益于 DUpsample，我们可以使用下列操作来减少计算量：

这样做不仅保证了在低分辨率下的有效性，而且减少了计算量，同时允许任意 level feature 的融合。

只有使用了 DUpsample，上述操作才变得可行，否则语义分割的精度会被双线性插值限制。

3. Experiments

本次实验使用以下两种数据集：PASCAL VOC 2012 和 PASCAL Context benchmark。我们使用 ResNet-50 或 Xception-50 作为我们的 backbone，具体训练细节详见论文。

首先我们设计实验说明双线性插值的上限远远低于 DUpsample。首先我们搭建一个简易网络实现 auto-encoder，其中上采样方式分别使用双线性插值与 DUpsample, 输入分别为 ground_truth，得到下表中的 mIOU*，这个指标代表上采样方法的上限。同时我们使用 ResNet50 作为主干网络，输入为 raw image 去实现语义分割，得到下表中的 mIOU：

通过上表我们可以发现:

1) 在相同条件下，DUpsampling 效果优于 bilinear。

2）DUpsampling 在 output_stride=32 的情况下效果与 bilinear 在 output_stride=16 的情况下结果相当。

接下来我们设计实验说明融合不同的 low-level 特征对结果的影响，如下表所示：

值得说明的是，并不是所有与 low-level feature 的融合都会提升结果，例如 conv1_3，因为其结果不够鲁棒。因此和什么 low-level feature 相结合对语义分割的结果有很大的影响。

接下来我们设计实验与双线性插值进行比较：

可以看到我们的方法优于传统的双线性插值上采样方法。同时我们验证了不同的 softmax 对结果的影响，在没有使用 softmax with tenperature 的情况下只有 69.81 的 mIOU（这里没设置消融实验有些疑惑，感觉不同的 softmax 对实验结果影响挺大的）。

最后将我们的方法与最新的模型进行比较，结果如下（分别为 PASCAL VOC 与 PASCAL context）：

我们的方法在只用 deeplabv3+ 30% 的计算量的情况下，超越了当前所有的方法。

总的来说，我觉得这个论文提出的想法很有趣，是一篇很有 insight 的论文。

由于论文现在还没有开源，笔者尝试实现了一下 DUpsample 的操作和网络：

https://github.com/LinZhuoChen/DUpsampling。