CPNet

English | 简体中文

• CPNet
  • 一、论文简介
    • Motivation
    • Affinity Loss
    • 网络结构(Context Prior Layer)
    • Aggregation Module
    • Network Architecure
    • 实验结果
  • 二、数据集
  • 三、总结
    • 环境依赖
    • 快速开始
      • step0:clone
      • step1:安装必要依赖
      • step2:训练
      • step3:评估
    • 代码结构与详细说明
    • Aistudio

一、论文简介

论文原文：Context Prior for Scene Segmentation

Motivation

由于卷积层结构的限制，FCN 提供的上下文信息不足，有待改进。因此，近年来各种方法被提出来用于探索上下文依赖性，以获得更准确的分割结果。目前为止，上下文信息的聚合主要有两种方法:

基于金字塔的方法： 有几种方法如 PSPNet 采用基于金字塔的模块或全局池化来有规律的聚合区域或全局上下文信息。然而，它们捕获了同类的上下文关系，却忽略了不同类别的上下文。如图 1(b)示。当场景中有混淆的类别时，这些方法可能导致不太可靠的上下文。

基于注意力的方法： 最近基于注意力的方法，如通道注意力、空间注意力，有选择地聚合不同类别之间的上下文信息。然而，由于缺乏明确的区分，注意力机制的关系描述不够清晰。因此，它可能会选择不需要的上下文依赖关系，如图 1(e)所示。

这两种方法聚合上下文信息，没有明显的区别类内和类间上下文 ，导致了不同上下文关系的混合。

为了去解决这些问题，在这篇文章中，先提出一个Context Prior去对相同类(intra-context)的像素与不同类(inter-context)的像素之间的关系进行建模。基于Context Prior，提出了Context Prior Network，它包含了受Affinity Loss监督的Context Prior Layer。

Affinity Loss

为了去明确规范这个网络去学习类别之间的关系，我们引入了 Affinity Loss。对于图像上的每一个像素，Affinity Loss 将会迫使网络去考虑在同一类别的像素和不同类别的像素。

只要给定输入的Groundtruth，我们就可以知道每一个像素的Context Prior（哪些属于同一类，哪些属于不同类），可以学习Context Prior去引导整个网络。首先根据ground truth建立Ideal Affinity Map作为监督：

给定输入图像$I$和其对应的 groundtruth$L$，将 $I$ 送入网络中可以得到一个大小为$H\times W$的特征图$X$。我们先将$L$下采样到与$X$大小相同，得到一个更小的 groundtruth $ \tilde{L}$。我们使用了 $one-hot$ 编码去对$\tilde{L}$中的类别标签进行编码，得到一个大小为$H\times W\times C$的矩阵$\hat{L}$， $C$为类别数。紧接着，将 $L$ Reshape 成$N\times C$大小，$N=H\times W$。最后，我们进行一个矩阵乘法：$A = L\times L^{T}$，这个 A 就是我们期望的$Ideal \ Affinity \ Map$，大小为$N\times N$。 我们使用$Ideal\ Affinity\ Map$去监督$Context\ Prior\ Map$的生成。

对于$Context\ Prior\ Map$中的每一个像素，其实是一个二分类问题。通常解决二分类问题用到的是二元交叉熵损失：

$$\mathcal{L}_{u}=-\frac{1}{N^{2}}(a_{n}\log{p_{n}}+(1-a_{n})\log{(1-p_{n})})$$

其中${p_{n}\in P,n\in [1,,N^{2}]}$，$P$为预测得到的$Prior \ map$，${a_{n}\in A,n\in [1,,N^{2}]}$，$A$为期望得到的$Ideal\ Affinity\ Map$。

❝ However, such a unary loss only considers the isolated pixel in the prior map ignoring the semantic correlation with other pixels.

但是它只考虑了在$Prior \ map$中的单个像素，忽略了与其他像素的语义联系。所以需要另外一部分损失。我们可以在$A$中看到每一行其实都对应着 feature map X 中的每个像素，可以它们表示为同类像素或者不同类像素，这个关系是有助于推理语义相关性和场景结构的。因此，我们考虑把同类像素和不同类像素作为两个部分来对关系分别编码：

$$ \begin{gathered}\mathcal{T}^{p}{j}=log\frac{\sum{i=1}^{N}a_{ij}p_{ij}}{\sum_{i=1}^{N}p_{ij}},\ \mathcal{T}^{r}{j}=\log\frac{\sum{i=1}^{N}a_{ij}p_{ij}}{\sum_{i=1}^{N}a_{ij}},\ \mathcal{T}^{s}{j}=\log\frac{\sum{i=1}^{N}(1-a_{ij})(1-p_{ij})}{\sum_{i=1}^{N}(1-a_{ij})},\ \mathcal{L}{g}=-\frac{1}{N}\sum{j=1}^{N}(\mathcal{T}^{p}{j}+\mathcal{T}^{r}{j}+\mathcal{T}^{s}_{j})\end{gathered}$$

其中，$\mathcal{T}{j}^{p}$、$\mathcal{T}{j}^{r}$、$\mathcal{T}_{j}^{s}$分别表示$P$中第$j$行的同类准确率(precision)，同类召回率(recall)，特异度(specificity)。

最后，完整的 Affinity Loss 定义如下：

$$ \mathcal{L}_{p}=\lambda_{u}\mathcal{L}{u}+\lambda{g}\mathcal{L}_{g}. $$

其中，$\lambda_{u}$和$\lambda_{g}$用于平衡一元损失(unary loss)和全局损失(global loss)，根据经验，通常都是直接设为 1。

网络结构(Context Prior Layer)

作者设计上下文先验层（Context Prior Layer），它可以在任何 backbone 的最后插入以进行语义分割的任务。Context Prior Layer使用 backbone 如 resnet50 输出的特征图（图中最左边的黄色立体）作为输入特征$X$，形状为$H\times W\times C_{0}$。经过聚合模块 Aggregation聚合局部上下文信息之后，得到$\tilde{X}$，送入一个$1\times1$卷积层+BN+sigmoid 层进行处理，形状变为$H\times W\times N(N=H\times W)$，最后进行 reshape 得到了Context Prior Map。Context Prior Map由GT产生的Ideal Affinity Map进行监督，学习得到了类内的上下文信息。将他与经过聚合后的特征图相乘后得到富含类内上下文信息的特征图。与此同时，用 1-P 得到可以得到类间上下文，同样的操作可以得到富含类间上下文信息的特征图。将原图和两种上下文 Concat 去输出最终的预测$F=Concat(X,Y,Y^{-})$

Aggregation Module

Context Prior Map需要一些局部空间信息去推理语义相关性，一般来说要聚合更多的空间信息就要使用更大的卷积核，但是计算代价是很大的。因此，作者用全分离卷积(fully separable convolution)设计了一个有效的Aggregation Module去聚合空间信息。

我们将一个普通卷积分解成两个在空间上不对称的卷积，比如一个$k\times k$的卷积，我们这样来替代：

先使用一个$k\times 1$卷积，接着再使用一个$1\times k$卷积，我们称为空间可分离卷积($spatial\ separable\ convolution$)，并且每个空间卷积都采用深度卷积($depth-wise convolution$)，这导致计算量大大减少。由于考虑了空间和深度两个维度，作者把这种方式称为$Fully\ Separable\ Convolution$。

Network Architecure

Context Prior Network(CPNet)是一个全卷积网络，由 Backbone 和一个 Context Prior Layer 组成。Backbone 是一个用了空洞卷积(dilation strategy)的现成网络。同时，在 backbone 网络的阶段 4(stage 4)还使用了辅助损失(auxiliary loss)，也是一个交叉熵损失。最终的损失函数为：

$$\mathcal{L}=\lambda_{s}\mathcal{L}{s}+\lambda{a}\mathcal{L}{a}+\lambda{p}\mathcal{L}_{p}$$

其中$\mathcal{L}{s}$, $\mathcal{L}{a}$，$\mathcal{L}_{p}$ 分别代表主要分割损失(main segmentation loss)，辅助损失(auxiliary loss)以及 Affinity Loss，$λs$, $λa$, $λp$ 是用来平衡 loss 的权重。经验性地设置为：$λs=1, λa=1, λp=0.4$。

实验结果

在 Cityscape 上取得

在 ADE20K 上取得

二、数据集

使用的数据集为：ADE20K官网

ADE20k 拥有超过 25,000 张图像（20ktrain，2k val，3ktest），这些图像用开放字典标签集密集注释。对于 2017 Places Challenge 2，选择了覆盖 89％所有像素的 100 个 thing 和 50 个 stuff 类别。在本研究中作者使用后者这个封闭的词汇表。

• Training set：20.210 images
• Validation set：2.000 images

注：paddleseg 提供 ADE20K 在线下载以及解压，详情请看paddleseg 开发文档

三、总结

该指标在 ADE20K 的测试集测试

Model	mIOU
CPNet50(原论文 mmseg)	44.46
CPNet50	45.37

环境依赖

• 硬件：GPU、CPU
• 框架： PaddlePaddle-GPU
• 开发套件：PaddleSeg

快速开始

step0:clone

git clone git@github.com:AndPuQing/ContextPrior_Paddle.git

step1:安装必要依赖

pip install -r requirements.txt

step2:训练

具体参数可在 train.py 中查看修改

python train.py

step3:评估

利用预训练模型进行验证集的评估

python eval.py

代码结构与详细说明

├── README.md
├── models/ # 模型定义
├── loss/ # 自定义损失函数
├── tool/ # 工具
├── train.py # 训练
├── eval.py # 评估

Aistudio

快速开始在 AiStudio 上训练验证

1. 安装依赖

!pip install paddleseg --user

2. 训练

%cd /home/aistudio/work/openContext/
!python train.py

3. 验证

%cd /home/aistudio/work/openContext/
!python eva.py

参考项目:

• https://github.com/ycszen/ContextPrior

项目 AiStudio 地址:

• NoteBook 任务
• 脚本任务(待完善...)