Abstract

在本文中，我们重温一下Atrous Convolution的妙用，Atrous Convolution能在调整滤波器的感受野的的同时，解决DCNNs造成的分辨率降低的问题。同时，为了解决图像语义分割的多尺度问题，设计了很多模型，包括并行或者串行的使用不同的rate的Atrous Convolution。更进一步的提出了ASPP。接下来会详细的说明实现的具体的细节和训练过程，我们的Deeplabv3在没有Dense crf的后期处理的条件下取得了非常不错的成绩，达到了state-of-art。

1. Introduction

对使用DCNNs进行图片语义分割的任务来说，我们认为主要有两大挑战，第一是由DCNNs中的下采样（如pooling,convolution stride等）造成的特征图分辨率降低，这种局部的不变性会对密集的预测任务造成干扰，因为丢失了很多空间信息。为了解决这一问题，提出了Atrous Convolution，也称为Dilated convolution，被证明对图片语义分割的任务很有效。通过使用Atrous Convolution，允许我们使用在ImageNet 上预训练好的模型来提取更加密集的特征图，也就是空间分辨率更高的特征图。

`Atrous Convolution`示意图
第二个则是物体存在的多尺度问题，主要有4种策略来解决这个问题。

如上图所示，第一种办法是对不同的sacle的image进行并行的处理，再融合在一起。第二办法是使用编码和解码的对称结构，利用来自编码器部分的多尺度特征并从解码器部分恢复空间分辨率。第三种办法是在原始的网络上级联一些模块，用以捕获更多的信息。第四则是大名鼎鼎的SPP的使用了。

在级联模块和SPP的框架下，我们使用Atrous Convolution来增大滤波器的感受野去融合多尺度的语境信息。特别的是，我们提出的网络由不同rate的Atrous Convolution，BN层等组成。我们在并联或者串联的模块上做实验，发现一个重要的实际问题，就是当使用3×3的卷积核（Atrous Convolution的rate很大）时，由于图片边界的影响并不能捕获远程信息，有效简单地退化为1×1卷积，并提出将图像级特征纳入ASPP模块。此外，我们详细介绍实施细节，分享训练模型的经验，包括一个简单而有效的引导方法，用于处理稀有和精细注释的对象。最后再提出模型Deeplabv3，在PASCAL VOC 2012的test set上的mIOU取得了85.7%的成绩（没有Dense crf的后期处理的条件下）。

2. Related Work

Image pyramid
Encoder-decoder
Context module
Spatial pyramid pooling
具体的请看原paper吧

3. Methods

在本节中，我们将回顾如何应用Atrous Convolution来提取密集特征图用于语义分割。然后，我们讨论使用级联或并联的Atrous Convolution模块。

3.1. Atrous Convolution for Dense Feature Extraction

前面还一堆已经讲过的，就不赘述了。如下，一个二维的信号的Atrous Convolution的输出表达式

i是输出y中的位置，w是滤波器，x是输入，r是`Atrous Convolution`的rate
rate的具体含义可见上面的Atrous Convolution示意图。

再提出一个概念output_stride,个人认为可以简要的理解为输出的特征图是输入的多少分之一。如output_stride=32时，输入即为输出的32倍，而这也是一般的image classification任务常用的倍率（在全连接层或者全局最大/平均池化层之前的输出）。因此为了得到密集的特征图就应该减小output_stride，我们把下采样的Convolution全部换成了Atrous Convolution（rate=2）,可参考这里。

3.2. Going Deeper with Atrous Convolution

如上图，在级联模型中（类似于原始的ResNet），每个Block都是几个卷积层的叠加，使用了Atrous Convolution比没有的 能够获取更密集的特征图，这正是其优势所在之处。

3.2.1 Multigrid

这个比较有意思了，final atrous rate = Multi Grid * corresponding rate.(每个Block有三个卷积层)

3.3. Atrous Spatial Pyramid Pooling（ASPP）

这是deeplab中关于ASPP的描述，如下图

ASPP能捕获到多尺度的信息，但是随着rate的增大，出现了如下图的情况：
就是说，当atrous rate在极限的情况下（等于特征图的大小），3×3的卷积退化成为了1×1的卷积（只有一个权重（中心）是有效的）

为了解决这个问题，并且将全局的上下文信息合并到模型中，在模型最后得到的特征图中采用全局平均池化，再给256个1×1的卷积（BN），然后双线性地将特征图 上采样 到所需的空间维度。最后，改善的ASPP由一个1×1的卷积，三个3×3的卷积，且rate=(6,12,18)当output_stride=16时，如下图所示：

当output_stride=8时，rate=2×(6,12,18).并行处理后的特征图在集中通过256个1×1卷积（BN）,最后就是输出了，依旧是1×1卷积。

4. Experimental Evaluation

VOC 2012 dataset

4.1. Training Protocol

分别介绍了：
Learning rate policy
Crop size
Batch normalization
Upsampling logits
Data augmentation

4.2. Going Deeper with Atrous Convolution

这是加了block7的ResNet-50在不同output_stride的条件下的试验结果。

这是层次变深的结果。

这是Multi-Grid的不同rate的结果。

不同的办法在VAL set上的结果。

4.3. Atrous Spatial Pyramid Pooling

这是不同rate的ASPP的结果。

不同的办法在VAL set上的结果。

不同Net结果

5. Conclusions

详情请看原paper
[完]