cnn输入层_FCN+与CNN的区别+三大技术+网络结构

论文下载地址 :

https://arxiv.org/pdf/1411.4038.pdf

原作代码 :

https://github.com/shelhamer/fcn.berkeleyvision.org

备注: 此文的FCN特指<<Fully Convolutional Networks for Semantic Segmentation>>论文中提出的结构，而非广义的全卷积网络。

一、介绍

1.1FCN

关于图像分割的算法,传统有很多(关于图像分割的历史), 而全卷积神经网络(FCN, FullyConvolutionalNetwork) 是第一次将

端到端

的卷积网络推广到了语义分割的任务当中，随后出现了很多成功的图像分割深度学习技术都是基于 FCN 实现的网络结构，比如 U-Net 等

1.2网络结构

FCN-32s

FCN-16s

FCN-8s

1.3 CNN和 FCN 的区别

关于两者的区别, 这篇文章总结的不错

我们知道, 通常CNN网络在卷积层之后会接上若干个全连接层, 将卷积层产生的特征图(feature map)映射成一个固定长度的特征向量。以AlexNet为代表的经典CNN结构适合于图像级的分类和回归任务，因为它们最后都期望得到整个输入图像的一个数值描述（概率），比如AlexNet的ImageNet模型输出一个1000维的向量表示输入图像属于每一类的概率(“全连接层 + softmax归一化”的结构)。

下图中的猫, 输入AlexNet网络中, 经过后面的全连接层后得到一个长为1000的输出向量, 再加上softmax归一化后即可以表示输入图像属于每一类的概率, 其中在“tabby cat”这一类统计概率最高。

这个概率信息是1维的，即只能标识整个图片的类别，不能标识每个像素点的类别，所以这种全连接方法不适用于图像分割。

CNN一般用作图像级的分类,而FCN可以对图像进行像素级的分类，从而解决了语义级别的图像分割（semantic segmentation）问题。与经典的CNN在卷积层之后使用全连接层得到固定长度的特征向量进行分类（全联接层＋softmax输出）不同，FCN可以接受任意尺寸的输入图像，采用反卷积层对最后一个卷积层的feature map进行上采样, 使它恢复到输入图像相同的尺寸，从而可以对每个像素都产生了一个预测, 同时保留了原始输入图像中的空间信息, 最后在上采样的特征图上进行逐像素分类(最后逐个像素计算softmax分类的损失, 相当于每一个像素对应一个训练样本).如下图所示

(PACSAL数据集有20个类别+background=21)

简单的来说，FCN与CNN的区域在把于CNN最后的全连接层换成卷积层，输入一张原始图,输出的是一张已经Label好的图片,做到了端到端.

其实，CNN的强大之处在于它的多层结构能自动学习特征，并且可以学习到多个层次的特征：

• 较浅的卷积层感知域(感受野)较小，学习到一些局部区域的特征；
• 较深的卷积层具有较大的感知域(感受野)，能够学习到更加抽象一些的特征。

这些抽象特征对物体的大小、位置和方向等敏感性更低，从而有助于识别性能的提高。下图CNN分类网络的示意图：

这些抽象的特征对分类很有帮助，可以很好地判断出一幅图像中包含什么类别的物体，但是因为丢失了一些物体的细节，不能很好地给出物体的具体轮廓、指出每个像素具体属于哪个物体，因此做到精确的分割就很有难度。

而传统的基于CNN的分割方法：为了对一个像素分类，使用该像素周围的一个图像块作为CNN的输入用于训练和预测。这种方法有几个缺点：

• 一是存储开销很大。例如对每个像素使用的图像块的大小为15x15，然后不断滑动窗口，每次滑动的窗口给CNN进行判别分类，因此则所需的存储空间根据滑动窗口的次数和大小急剧上升。
• 二是计算效率低下。相邻的像素块基本上是重复的，针对每个像素块逐个计算卷积，这种计算也有很大程度上的重复。
• 三是像素块大小的限制了感知区域的大小。通常像素块的大小比整幅图像的大小小很多，只能提取一些局部的特征，从而导致分类的性能受到限制。

而全卷积网络(FCN)则是从抽象的特征中恢复出每个像素所属的类别。即

FCN从图像级别的分类进一步延伸到像素级别的分类

。

CNN做图像分类、目标检测的效果已经被证明并广泛应用, 而很多成功的图像分割深度学习技术都是基于 FCN 实现

二、3 大技术

全卷积神经网络主要使用了三种技术：

1. 卷积化（Convolutionalization）: 适应任意尺寸输入，输出低分辨率的分割图片。
2. 反卷积 : 低分辨率的图像进行上采样，输出同分辨率的分割图片
3. 跳跃结构（跳跃层、Skip Layer）: 结合上采样和上层卷积池化后数据，填补丢失的细节数据, 修复还原图像

2.1卷积化（Convolutionalization）

分类使用的网络通常会在最后连接几层全连接层，它会将原来二维的矩阵（图片）压扁成一维的，从而丢失了空间信息

卷积化即是将普通的分类网络，比如VGG16，ResNet50/101等网络丢弃全连接层，换上对应的卷积层即可

图像语义分割的输出需要是个分割图，且不论尺寸大小，但是至少是二维的。所以，我们需要丢弃全连接层，换上全卷积层,如下图所示

因此这种全卷积形式的网络可以适应任意尺寸的输入（没有全连接层,全连接的结构是固定的)

2.2反卷积

FCN作者在论文中讨论了

3种上采样(upsample)方法

，最后选用的是反卷积的方法（FCN作者称其为后卷积）使图像实现end to end，可以理解上采样(upsample)就是使大小比原图像小得多的特征图变大，使其大小为原图像大小

实际上，上采样（upsampling）一般包括2种方式：

1. Resize，如双线性插值直接缩放，类似于图像缩放（这种方法在原文中提到）
2. 反卷积

所以反卷积（Deconvolution）是上采样(upsample)的一种.

反卷积(

Deconvolution

)也叫转置卷积(

Transposed Convolution

), 当然关于这个名字不同框架不同，Caffe和Kera里叫Deconvolution，而tensorflow里叫conv_transpose。CS231n这门课中说，叫conv_transpose更为合适。

如上图所示, a 是输入图像，

经过卷积和池化得到的特征图分辨率明显下降, 而经过反卷积(上采样的一种)提升分辨率得到同时，还保证了特征所在区域的权重

，

最后将图片的分辨率提升原图一致后，权重高的区域则为目标所在区域

。

传统的网络是下采样(subsampling)，对应的输出尺寸会降低；上采样(

upsampling)的意义在于将小尺寸的高维度特征图(feature map)恢复回去

，以便做像素级的预测(pixelwise prediction)，获得每个点的分类信息。

上采样在FCN网络中的作用如上图所示，明显可以看到经过上采样后恢复了较大的pixelwise的feature map（其中最后一个层21-dim是因为PACSAL数据集有20个类别+Background）。这其实相当于一个编码解码(

Encode-Decode)

的过程。

对于一般卷积，输入蓝色4x4矩阵，卷积核大小3x3。当设置卷积参数pad=0，stride=1时，卷积输出绿色2x2矩阵,如下图:

​

相应的卷积公式为:

而对于反卷积，相当于把普通卷积反过来，输入蓝色2x2矩阵，卷积核大小还是3x3。当设置反卷积参数pad=0，stride=1时输出绿色4x4矩阵，如图，这相当于完全将图4倒过来

​

而对于反卷积公式就是将输入和输出反过来:

反卷积的卷积运算的参数也是通过bp算法学习出来的, 反卷积的前向和后向传播，只用颠倒卷积的前后向传播即可

2.3 跳跃结构（跳跃层、Skip Layer)

但是，模型前期通过卷积、池化、非线性激活函数等作用输出了特征权重图像，由于最后一层的特征图(也叫热图, heatmap, 指卷积池化的最后特征图)太小，我们会损失很多细节。因此我们需要找到一种方式填补丢失的细节数据然后再反卷积，所以就有了跳跃结构(Skip Layer), 这是特征融合的一种方式, 后面的模型会有其它的方式.

未加入skip layer的模型是特别粗糙的，因为热图直接扩大了 32 倍，所以论文中有一个改进，就是利用跳跃结构将网络中间的输入联合起来,即逐点相加,再进行反卷积，这样能够依赖更多的信息，所以可以得到更好的结果，如下图所示:

fcn-32s 就是直接将最后的结果通过转置卷积扩大 32 倍进行输出，而 fcn-16s 就是联合前面一次的结果进行 16 倍的输出，fcn-8s就是联合前面两次的结果进行 8 倍的输出，我们用上图中 fcn-8s 举例，就是先将最后的结果通过转置卷积扩大 2 倍，然后和 pool4 的结果相加，然后在通过转置卷积扩大 2 倍，然后和 pool3 的结果相加，最后通过转置卷积扩大 8 倍得到和输入形状一样大的结果。

作者在原文种给出3种网络结果对比，明显可以看出效果：FCN-32s < FCN-16s < FCN-8s，即

使用多层feature融合有利于提高分割准确性,

效果如下:

因而作者提出增加Skips结构将最后一层的预测（有更富的全局信息）和更浅层（有更多的局部细节）的预测结合起来，这样可以在遵守全局预测的同时进行局部预测。

三、FCN 的缺点 ：

1. 分割的结果不够精细。进行8倍上采样虽然比32倍的效果好了很多，但是上采样的结果还是比较模糊和平滑，对图像中的细节不敏感。
2. 因为模型是基于CNN改进而来，即便是用卷积替换全连接, 但是依然是独立像素进行分类，没有充分考虑像素与像素之间的关系.忽略了在通常的基于像素分类的分割方法中使用的空间规整（spatial regularization）步骤，缺乏空间一致性。

每个模型都有自己的不足，所以才会出现各式各样的模型来解决它们的问题。大家如果能分析出每个模型的缺点，那我们也可以构建新的模型去完善他们的模型，这其实就是创新的过程

四、拓展

拓展1: 热图

此外,我再讲一个概念叫热图(heatmap)

经过多次卷积和pooling以后，得到的图像越来越小，分辨率越来越低。其中图像到 H/32∗W/32 的时候图片是最小的一层时，所产生特征图(feature map)叫做热图(heatmap)，热图就是我们最重要的高维特征图。

得到高维特征的heatmap之后就是最重要的一步也是最后的一步对原图像进行upsampling，把图像进行放大、放大、放大，到原图像的大小。

经过卷积池化最后输出的21张heatmap(由于PACSAL数据集有20个类别+background=21)再经过upsampling变为原图大小的图片，为了对每个像素进行分类预测，这里有一个小trick，就是最后通过逐个像素地求其在21张图像中该像素位置的最大数值描述（概率）作为该像素的分类, 因此产生了一张已经分类好的图片

拓展2 : FCN + CRF

文章《【总结】图像语义分割之FCN和CRF》 认为，发展到现在，基于深度学习的图像语义分割“通用框架已经确定”：前端 FCN（包含基于此的改进 SegNet、DeconvNet、DeepLab）+ 后端 CRF/MRF （条件随机场/马尔科夫随机场）优化