全卷積網絡FCN詳解

轉載自：  點選打開連結

背景

CNN能夠對圖檔進行分類，可是怎麼樣才能識别圖檔中特定部分的物體，在2015年之前還是一個世界難題。神經網絡大神Jonathan Long發表了《Fully Convolutional Networks for Semantic Segmentation》在圖像語義分割挖了一個坑，于是無窮無盡的人往坑裡面跳。

全卷積網絡 Fully Convolutional Networks

CNN 與 FCN

通常CNN網絡在卷積層之後會接上若幹個全連接配接層, 将卷積層産生的特征圖(feature map)映射成一個固定長度的特征向量。以AlexNet為代表的經典CNN結構适合于圖像級的分類和回歸任務，因為它們最後都期望得到整個輸入圖像的一個數值描述（機率），比如AlexNet的ImageNet模型輸出一個1000維的向量表示輸入圖像屬于每一類的機率(softmax歸一化)。

栗子：下圖中的貓, 輸入AlexNet, 得到一個長為1000的輸出向量, 表示輸入圖像屬于每一類的機率, 其中在“tabby cat”這一類統計機率最高。

FCN對圖像進行像素級的分類，進而解決了語義級别的圖像分割（semantic segmentation）問題。與經典的CNN在卷積層之後使用全連接配接層得到固定長度的特征向量進行分類（全聯接層＋softmax輸出）不同，FCN可以接受任意尺寸的輸入圖像，采用反卷積層對最後一個卷積層的feature map進行上采樣, 使它恢複到輸入圖像相同的尺寸，進而可以對每個像素都産生了一個預測, 同時保留了原始輸入圖像中的空間資訊, 最後在上采樣的特征圖上進行逐像素分類。

最後逐個像素計算softmax分類的損失, 相當于每一個像素對應一個訓練樣本。下圖是Longjon用于語義分割所采用的全卷積網絡(FCN)的結構示意圖：

簡單的來說，FCN與CNN的區域在把于CNN最後的全連接配接層換成卷積層，輸出的是一張已經Label好的圖檔。

其實，CNN的強大之處在于它的多層結構能自動學習特征，并且可以學習到多個層次的特征：較淺的卷積層感覺域較小，學習到一些局部區域的特征；較深的卷積層具有較大的感覺域，能夠學習到更加抽象一些的特征。這些抽象特征對物體的大小、位置和方向等敏感性更低，進而有助于識别性能的提高。下圖CNN分類網絡的示意圖：

這些抽象的特征對分類很有幫助，可以很好地判斷出一幅圖像中包含什麼類别的物體，但是因為丢失了一些物體的細節，不能很好地給出物體的具體輪廓、指出每個像素具體屬于哪個物體，是以做到精确的分割就很有難度。

傳統的基于CNN的分割方法：為了對一個像素分類，使用該像素周圍的一個圖像塊作為CNN的輸入用于訓練和預測。這種方法有幾個缺點：一是存儲開銷很大。例如對每個像素使用的圖像塊的大小為15x15，然後不斷滑動視窗，每次滑動的視窗給CNN進行判别分類，是以則所需的存儲空間根據滑動視窗的次數和大小急劇上升。二是計算效率低下。相鄰的像素塊基本上是重複的，針對每個像素塊逐個計算卷積，這種計算也有很大程度上的重複。三是像素塊大小的限制了感覺區域的大小。通常像素塊的大小比整幅圖像的大小小很多，隻能提取一些局部的特征，進而導緻分類的性能受到限制。

而全卷積網絡(FCN)則是從抽象的特征中恢複出每個像素所屬的類别。即從圖像級别的分類進一步延伸到像素級别的分類。

全連接配接層 -> 成卷積層

全連接配接層和卷積層之間唯一的不同就是卷積層中的神經元隻與輸入資料中的一個局部區域連接配接，并且在卷積列中的神經元共享參數。然而在兩類層中，神經元都是計算點積，是以它們的函數形式是一樣的。是以，将此兩者互相轉化是可能的：

• 對于任一個卷積層，都存在一個能實作和它一樣的前向傳播函數的全連接配接層。權重矩陣是一個巨大的矩陣，除了某些特定塊，其餘部分都是零。而在其中大部分塊中，元素都是相等的。
• 相反，任何全連接配接層都可以被轉化為卷積層。比如，一個 K=4096 的全連接配接層，輸入資料體的尺寸是 7×7×521，這個全連接配接層可以被等效地看做一個 F=7,P=0,S=1,K=4096 的卷積層。換句話說，就是将濾波器的尺寸設定為和輸入資料體的尺寸一緻了。因為隻有一個單獨的深度列覆寫并滑過輸入資料體，是以輸出将變成 1×1×4096，這個結果就和使用初始的那個全連接配接層一樣了。

全連接配接層轉化為卷積層：在兩種變換中，将全連接配接層轉化為卷積層在實際運用中更加有用。假設一個卷積神經網絡的輸入是 224x224x3 的圖像，一系列的卷積層和下采樣層将圖像資料變為尺寸為 7x7x512 的激活資料體。AlexNet使用了兩個尺寸為4096的全連接配接層，最後一個有1000個神經元的全連接配接層用于計算分類評分。我們可以将這3個全連接配接層中的任意一個轉化為卷積層：

• 針對第一個連接配接區域是[7x7x512]的全連接配接層，令其濾波器尺寸為F=7，這樣輸出資料體就為[1x1x4096]了。
• 針對第二個全連接配接層，令其濾波器尺寸為F=1，這樣輸出資料體為[1x1x4096]。
• 對最後一個全連接配接層也做類似的，令其F=1，最終輸出為[1x1x1000]

實際操作中，每次這樣的變換都需要把全連接配接層的權重W重塑成卷積層的濾波器。那麼這樣的轉化有什麼作用呢？它在下面的情況下可以更高效：讓卷積網絡在一張更大的輸入圖檔上滑動，得到多個輸出，這樣的轉化可以讓我們在單個向前傳播的過程中完成上述的操作。

舉個栗子：如果我們想讓224×224尺寸的浮窗，以步長為32在384×384的圖檔上滑動，把每個經停的位置都帶入卷積網絡，最後得到6×6個位置的類别得分。上述的把全連接配接層轉換成卷積層的做法會更簡便。如果224×224的輸入圖檔經過卷積層和下采樣層之後得到了[7x7x512]的數組，那麼，384×384的大圖檔直接經過同樣的卷積層和下采樣層之後會得到[12x12x512]的數組。然後再經過上面由3個全連接配接層轉化得到的3個卷積層，最終得到[6x6x1000]的輸出((12 – 7)/1 + 1 = 6)。這個結果正是浮窗在原圖經停的6×6個位置的得分！

面對384×384的圖像，讓（含全連接配接層）的初始卷積神經網絡以32像素的步長獨立對圖像中的224×224塊進行多次評價，其效果和使用把全連接配接層變換為卷積層後的卷積神經網絡進行一次前向傳播是一樣的。

Evaluating the original ConvNet (with FC layers) independently across 224x224 crops of the 384x384 image in strides of 32 pixels gives an identical result to forwarding the converted ConvNet one time.

如下圖所示，FCN将傳統CNN中的全連接配接層轉化成卷積層，對應CNN網絡FCN把最後三層全連接配接層轉換成為三層卷積層。在傳統的CNN結構中，前5層是卷積層，第6層和第7層分别是一個長度為4096的一維向量，第8層是長度為1000的一維向量，分别對應1000個不同類别的機率。FCN将這3層表示為卷積層，卷積核的大小 (通道數，寬，高) 分别為 (4096,1,1)、(4096,1,1)、(1000,1,1)。看上去數字上并沒有什麼差别，但是卷積跟全連接配接是不一樣的概念和計算過程，使用的是之前CNN已經訓練好的權值和偏置，但是不一樣的在于權值和偏置是有自己的範圍，屬于自己的一個卷積核。是以FCN網絡中所有的層都是卷積層，故稱為全卷積網絡。

下圖是一個全卷積層，與上圖不一樣的是圖像對應的大小下标，CNN中輸入的圖像大小是同意固定resize成 227x227 大小的圖像，第一層pooling後為55x55，第二層pooling後圖像大小為27x27，第五層pooling後的圖像大小為13*13。而FCN輸入的圖像是H*W大小，第一層pooling後變為原圖大小的1/4，第二層變為原圖大小的1/8，第五層變為原圖大小的1/16，第八層變為原圖大小的1/32（勘誤：其實真正代碼當中第一層是1/2，以此類推）。

經過多次卷積和pooling以後，得到的圖像越來越小，分辨率越來越低。其中圖像到 H/32∗W/32 的時候圖檔是最小的一層時，所産生圖叫做heatmap熱圖，熱圖就是我們最重要的高維特診圖，得到高維特征的heatmap之後就是最重要的一步也是最後的一步對原圖像進行upsampling，把圖像進行放大、放大、放大，到原圖像的大小。

最後的輸出是1000張heatmap經過upsampling變為原圖大小的圖檔，為了對每個像素進行分類預測label成最後已經進行語義分割的圖像，這裡有一個小trick，就是最後通過逐個像素地求其在1000張圖像該像素位置的最大數值描述（機率）作為該像素的分類。是以産生了一張已經分類好的圖檔，如下圖右側有狗狗和貓貓的圖。

upsampling

相較于使用被轉化前的原始卷積神經網絡對所有36個位置進行疊代計算，使用轉化後的卷積神經網絡進行一次前向傳播計算要高效得多，因為36次計算都在共享計算資源。這一技巧在實踐中經常使用，一次來獲得更好的結果。比如，通常将一張圖像尺寸變得更大，然後使用變換後的卷積神經網絡來對空間上很多不同位置進行評價得到分類評分，然後在求這些分值的平均值。

最後，如果我們想用步長小于32的浮窗怎麼辦？用多次的向前傳播就可以解決。比如我們想用步長為16的浮窗。那麼先使用原圖在轉化後的卷積網絡執行向前傳播，然後分别沿寬度，沿高度，最後同時沿寬度和高度，把原始圖檔分别平移16個像素，然後把這些平移之後的圖分别帶入卷積網絡。

如下圖所示，當圖檔在網絡中經過處理後變成越小的圖檔，其特征也越明顯，就像圖像中顔色所示，當然啦，最後一層的圖檔不再是一個1個像素的圖檔，而是原圖像 H/32xW/32 大小的圖，這裡為了簡化而畫成一個像素而已。

如下圖所示，對原圖像進行卷積conv1、pool1後原圖像縮小為1/2；之後對圖像進行第二次conv2、pool2後圖像縮小為1/4；接着繼續對圖像進行第三次卷積操作conv3、pool3縮小為原圖像的1/8，此時保留pool3的featureMap；接着繼續對圖像進行第四次卷積操作conv4、pool4，縮小為原圖像的1/16，保留pool4的featureMap；最後對圖像進行第五次卷積操作conv5、pool5，縮小為原圖像的1/32，然後把原來CNN操作中的全連接配接變成卷積操作conv6、conv7，圖像的featureMap數量改變但是圖像大小依然為原圖的1/32，此時圖像不再叫featureMap而是叫heatMap。

現在我們有1/32尺寸的heatMap，1/16尺寸的featureMap和1/8尺寸的featureMap，1/32尺寸的heatMap進行upsampling操作之後，因為這樣的操作還原的圖檔僅僅是conv5中的卷積核中的特征，限于精度問題不能夠很好地還原圖像當中的特征，是以在這裡向前疊代。把conv4中的卷積核對上一次upsampling之後的圖進行反卷積補充細節（相當于一個內插補點過程），最後把conv3中的卷積核對剛才upsampling之後的圖像進行再次反卷積補充細節，最後就完成了整個圖像的還原。

缺點

在這裡我們要注意的是FCN的缺點：

1. 是得到的結果還是不夠精細。進行8倍上采樣雖然比32倍的效果好了很多，但是上采樣的結果還是比較模糊和平滑，對圖像中的細節不敏感。
2. 是對各個像素進行分類，沒有充分考慮像素與像素之間的關系。忽略了在通常的基于像素分類的分割方法中使用的空間規整（spatial regularization）步驟，缺乏空間一緻性。

小結