[人工智能]提高图像分割的一些tricks

本文来自于百度的论文

PADDLESEG: A HIGH-EFFICIENTDEVELOPMENTTOOLKIT FORIMAGESEGMENTATION

分割任务中输入与输出的尺寸相同（这点与检测不同）
输入图像中的每个像素都被赋予一个类的标签（伪彩色图像中的不同颜色）分割网络用编码器（encoder）和解码器（decoder）组成。在编码器部分，特征图的大小逐渐减小；在解码器部分，特征图的大小逐渐增大，直到与输入图像有相同的大小。
如何使网络提高分割精度，这篇论文根据目前的现状总结到有5个方法，如下：

1. Skip connection
   随着输入图像的分辨率下降，输入图像的低层信息丢失，最终编码机输出输入图像的高层信息；解码器只接受高层特征，导致粗分割结果，因此在解码器通过skip connection 将低层和高级特征结合起来，然后解码器通过增强不同级别的特征来获取更详细的信息。
   全卷积网络（FCN）是skip connection的先驱，而U-Net则是进一步推动skip connection 他采用对称的编码器和解码器结构，与FCN不同，U-Net通过使用密集的skip connection 充分利用每一层的特征。
   U-Net引起了医学的关注，现在又有很多U-Net的变形。如 attention U-Net，U-Net++等。
   

2. Dilated Convolution
   分辨率随着降采样而逐渐降低，导致结果信息丢失，为了保持分辨率，如果只是单纯的减少下采样的数量，会使计算复杂度急剧增加，接受域的大小不断缩小，导致分割结果也不是很准确。因此引入了空洞卷积，通过保持分辨率和计算复杂度来扩大接受域。

3. Global context
   除了Dilated convolution，还有一种增加接受域的替代方法，即利用上下文信息，由于卷积本质上是一种局部操作，它往往会导致上下文的缺失，一般来说，上下文信息（远远超出像素集外观）会意思到语义，并为构建分割模型提供一个有用补充源。金字塔池化最初是用在图像分类和目标检测到，然后将其引入到图像分割中，获取不同尺度的上下文信息，扩大接受域，最后结合局部和全局信息辅助决策。（如，在水中的穿在局部视图中可能会被归类为汽车，但结合全局上下文信息，可以正确的分类。如PSPNet以及DeepLab中的ASPP模块，除了局部特征外，全局上下文信息也有助于有效地产生更准确、更平滑的分割结果。

4. Attention Mechnism
   除了上下文信息外，注意力机制还强调了关系之间的建模，由于卷积是一块操作，很难建立所有像素之间的关系。然而对于一个被分类的像素，所有像素的重要性并不相等。注意力机制通过允许模型自动搜索域目标像素分类相关的像素，有效地捕获了长期依赖关系，如果能够对像素之间关系的重要性进行建模，则可以明显增强来自同一类对象的像素贡献，从而更好获得分割结果。在对对象内部像素进行分类时，更倾向于通过与目标像素属于同一个对象的内部像素来辅助分类。如DANet双重注意力机制，OCRNet捕获了对象的上下文表示，多尺度注意力机制，对每个像素位置的多尺度特征进行软加权。

5. strong backbone
   ResNet与HRNet。
   ResNet成功实现了一个更深层次的网络，并将残差表示建模到CNN网络结构中，解决了训练一个非常深的网络结构的困难。
   HRNet通过并行连接高分辨率到低分辨率的卷积中，通过编码过程维护高分辨率表示。
   Paddleseg还用知识蒸馏，使骨干网络实现了更高的精度。

如果模型只有一两个策略，它可以作为实时分割应用的轻量级模型，GSCNN是一个具有边界和形状约束的新模型。