科技猎DilatedNet - 扩张卷积（语义分割）
本文为 AI 研习社编译的技术博客，原标题 ：
Review: DilatedNet — Dilated Convolution (Semantic Segmentation)
作者 | Sik-Ho Tsang
翻译 | 斯蒂芬·二狗子
校对 | 酱番梨 审核 | 约翰逊·李加薪 整理 | 立鱼王
原文链接：
https://towardsdatascience.com/review-dilated-convolution-semantic-segmentation-9d5a5bd768f5
注：本文的相关链接请访问文末【阅读原文】
这次，对来自普林斯顿大学和英特尔实验室的Dilated Convolution一文进行了简要回顾。扩张卷积的思想来自小波分解。它也被称为“atrous convolution”，“algorithmeàtrous”和“hole algorithm”。因此，如果我们能够将它们转变为深度学习框架，那么可以认为过去的任何想法仍然是有用的。
当我写这篇故事时，这个扩张卷积已经在2016年ICLR上发表，引用超过1000次。（SH Tsang @ Medium）
涉及的内容
-
扩张卷积
-
多尺度上下文聚合（上下文模块）
-
结果
1.扩张卷积
标准卷积（左），扩张卷积（右）
左边是标准卷积。正确的是扩张卷积。我们可以看到，在求和时，s+lt=p 我们将在卷积期间跳过一些点。
当 l = 1时，它是标准卷积。
当 l > 1时，它是扩张的卷积。
标准卷积（l = 1）
扩张卷积（l = 2）
上面给出了当l = 2 时扩张卷积的一个例子 。我们可以看到，与标准卷积相比，感受野更大。
l = 1（左），l = 2（中），l = 4（右）
上图显示了有关感受野的三个示例。
2.多尺度的上下文聚合（上下文模块）
基于扩张卷积来构建的上下文模块Context Module，如下所示：
基础的上下文模块，和大的上下文模块
如图，context module有7层，这些层采用不同扩张率的3×3 kernel size 的扩张卷积，扩张的率分别为1,1,2,4,8,16,1。
最后一层用了一个1×1的卷积，将通道数映射为与输入通道数相同大小。因此，输入和输出具有相同数量的通道。它可以插入到不同类型的卷积神经网络中。
基本上下文模块basic context module在整个模块中仅有1个通道（1C,1 channel），而大上下文模块large context module从1C 作为输入到第7层的32C的通道数。
3.结果
3.1. PASCAL VOC 2012
VGG-16 作为一个前端模块（预训练）。删除了最后的两个池化层和striding 层，并将context上下文模块插入其中。中间的特征图的padding也被移除了。作者只是对输入的特征图加了一个宽度为33的padding。Zero Padding (填充0)和 reflection padding（使用输入边界的反射填充，一种padding方式）在我们的实验中得出了类似的结果。此外，使用输入和输出的通道channels的数量的权重来初始化的方式代替标准随机初始化模型参数。
PASCAL VOC 2012 测试集
与原作者训练的公共模型相比，扩张卷积方法在测试集上的性能优于FCN-8s 模型 和 DeepLabv1 模型 约5个百分点。
获得了67.6%的mean IoU（平均交并比）
PASCAL VOC 2012 验证集
通过对来自 微软-COCO数据集 的图像进行训练，如上所示，对扩张卷积本身进行消融实验研究。
-
Front end：前端模块
-
Basic：基本上下文模块
-
Large：大型上下文模块
-
CRF：使用DeepLabv1和 DeepLabv2中 提到的条件随机场的对模型输做处理步骤
-
RNN：通过递归神经网络使用条件随机场的后处理步骤
我们可以看到采用扩张卷积（basic 或 large）总能改善结果，并且还可以继续使用其他后续处理步骤，如CRF。
获得了73.9%的mean IoU（平均交并比）
PASCAL VOC 2012 测试集
上表中的前端模块也是通过对来自Microsoft COCO数据集进行训练而获得的。使用CRF-RNN（即上表中的RNN），获得75.3％的平均IoU。 雷锋网雷锋网雷锋网 (公众号：雷锋网)
3.2. 定性结果
PASCAL VOC 2012
所有模型都使用 VGG-16 进行特征提取，使用扩张卷积在分割结果上具有更好的效果
PASCAL VOC 2012
使用CRF-RNN作为后面的处理步骤，以获得了更好的结果。但CRF-RNN使得该过程不是端到端的学习。
失败案例
如上所示的一些模型分割出错的情况，当对象被遮挡时，分割出错。
在附录中给出不同的数据集的测试结果，即CamVid，KITTI和Cityscapes，请随时阅读本文。他们还发布了应用扩张卷积的残差网络Dilated Residual Networks。希望我能在将来写到它。:)
参考
[2016 ICLR] [Dilated Convolutions]
Multi-Scale Context Aggregation by Dilated Convolutions
我的相关评论
[ VGGNet ] [ FCN ] [ DeconvNet ] [ DeepLabv1和DeepLabv2 ]
想要继续查看该篇文章相关链接和参考文献？
点击 【 DilatedNet - 扩张卷积（语义分割） 】 即可访问：
https://ai.yanxishe.com/page/TextTranslation/1538
机器学习大礼包
限时免费\18本经典书籍/Stanford经典教材+论文
点击链接即可获取：
https://ai.yanxishe.com/page/resourceDetail/574
。