关于FCN 论文中的 Shift-and-stitch 的详尽解
作 者： 月牙眼的楼下小黑
联 系：zlf111@mail.ustc.edu.cn
声 明： 欢迎转载本文中的图片或文字，请说明出处
我这三天一直思考的问题的是：
当网络最后一层输出的
prediciton map size和label map size不匹配时，除了bilinea interpolation等暴力措施，且不采取uppooling,deconvolution等decoder结构， 为了实现 dense prediction , 该怎么做呢？
我前天向一位其他组的师兄请教这个问题时，他给我指出了一个方向：shift and stitch。 他这一提醒，我就想起来了，当初在看论文 《Fully Convolutional Networks for Semantic Segmentation》时，因为看不懂，就跳过了好几段，其中就包括 "3.2 Shift-sttch is filter rarefaction"这一节。
作者在这一节中指出： 为了实现dense prediction ，他们比较了三种不同方案，分别是 shift and stitch, decreasing subsampling,deconvolution
我当初为什么看不懂呢? 我们看看作者对 shift and stitch 是怎样描述的：
FCN 作者对shift and stitch 的解释
当然，因为我现在已经弄明白了，所以觉得作者描述得其实挺清晰了。但是在这之前，我看了好几遍还是一脸懵逼。网上关于这一段的翻译更是千篇一律，不知所云，所以很多博客就是搬运工的工作，互相抄来抄去。
网上的关于shift-and-stitch的解释：设原图与FCN所得输出图之间的降采样因子是f，那么对于原图的每个fxf 的区域（不重叠），“shift the input x pixels to the right and y pixels down for every (x,y) ,0 < x,y < f." 把这个f x f区域对应的output作为此时区域中心点像素对应的output，这样就对每个 fxf 的区域得到了 f2 个output，也就是每个像素都能对应一个output，所以成为了dense prediction
啥？？啥？？？这都是些啥？？？？ 黑人问号脸 ?????
后来，我看了作者 引用 的关于 shift and stitch 的两篇文章：
我明白了 shift and stitch的做法其实就是：
设降采样因子是f , 通过 shift pixels （平移像素）的方式，产生 f2 个
version的input，输入网络后相应地产生 f2 个output， 然后stitch（这个词不好翻译，先翻译成织联）所有output就实现了dense prediciton。
我在另一篇论文中找到了对shift and stitch 更详尽的描述 ：
接下来受论文[2] 的启发，我们举一个简单的例子来直观地说明 shift and stitch 的做法：
设网络只有一层 2x2 的maxpooling 层且 stride = 2，所以下采样因子 f =2, 我们需要对input image 的 pixels 平移 (x,y)个单位，即将 image 向左平移 x 个pixels , 再向上平移y个单位，整幅图像表现向左上方向平移，空出来的右下角就以0 padding 。我们当然可以采取 FCN论文中的做法，将图像向右下角平移，空出来的左上角用 0 padding ,这两种做法产生的结果是一致的，没有本质区别。(x,y) 取（0,0), (0,1),(1,0),(1,1) 后，就产生了 f^2^ = 4 个input，不妨记为： shifted input (0,0)、shifted input (0,1)，shifted input (1,0)，shifted input (1,1)（回答一个读者的问题：图中的数字表示像素值，不是索引值 ）
shift the pixels of original image, 产生4个version 的 input
4个input分别进行 2x2 的maxpooling 操作后，共产生了4个output。
4 个output
最后，stitch the 4 different output 获得 dense prediction :
dense prediction
那么问题来了，是怎样进行 stitch的呢？FCN 作者的说法是：
Process each of these f2 inputs, and interlace the outputs so that the predictions correspond to the pixels at the centers of their receptive fields
说的很明白了，output 中的每个pixel都对应 original image 的
不同 receptive field，将receptive field 的中心c填上这个来自output的pixel值，就是网络对original image 中像素 c的prediction。
为表述简洁，我用 “ 像素 i ” 表示“ 值为 i 的像素 ”。
-
红色
output中的像素1对应shifted input(0,0)的红色部分， 而对应original image的部分，也即receptive field仅仅为像素[1],所以receptive field的中心为像素[1], 该位置填上红色output中像素1的值。 -
黄色
output中的像素4对应shifted input（1,0）的黄色部分， 而对应original image的部分，也即receptive field为像素[3,4], 所以receptive field的中心为像素[4], 该位置填上黄色output中像素4的值。 -
以此类推..
-
注意： 我们注意到黄色
output中的像素5与红色output中的像素5对应的receptive field中心是重叠的，所以将黄色output中的像素5标为灰色，表示不予考虑。同理其他ouput中的灰色区域也代表receptive field中心重叠的像素。
附：
答一个读者的疑问：
可以麻烦以计算一下一个5x5的矩阵：【(7,12,9,1,2),(25,3,75,45,11),(27,2,5,54,7),(68,86,7,41,20),(98,54,65,5,19)】的计算结果吗？我计算出来的是【(7,12,9,空值,2),(25,空值,75,45,11),(27,空值,空值,54,空值),(68,86,空值,41,20),(98,空值,65,空值,19)】
我重新做了张图：
好，到此就完成了对FCN论文中的 Shift-and-stitch 的详尽解释，好辛苦。还是那句酷酷的话：
转载请说明出处。
参考资料：
[1] Fully Convolutional Networks for Semantic Segmentation
[2] Recurrent Convolutional Neural Networks for Scene Parsing
[4] Convolutional Neural Networks with Intra-layer Recurrent Connections for Scene Labeling
