輕量級語義分割網(wǎng)絡：ENet
點擊上方“小白學視覺”，選擇加"星標"或“置頂”
重磅干貨，第一時間送達
? ?作者：石文華 ? ? ? ? ??
作者&編輯：石文華? ? ? ? ? ?
章節(jié)目錄
介紹
網(wǎng)絡結構
設計選擇
實驗
代碼
01
介紹
為了減少浮點運算的次數(shù)和內存占用以及推理時間，提出了Enet，采用編碼器-解碼器架構，相比SegNet，速度提升18倍，計算量減少75倍，參數(shù)量減少79倍。并且具有相當?shù)木?，它是一個實時的語義分割網(wǎng)絡結構。ENet分割圖像的示例如下圖所示：
02
網(wǎng)絡結構
網(wǎng)絡結構如下表所示：
網(wǎng)絡的輸入大小是512x512，有兩種網(wǎng)絡模塊，分別是initial和bottleneck，如下圖所示：
圖(a)是initial模塊，MaxPooling為步長2的2x2的filter，卷積有13個filter，Concat后的特征映射總計為16個，起到特征提取、壓縮輸入圖像”體積”、除去圖像中的視覺冗余信息的作用。圖(b)是bottleneck 模塊，采用殘差連接的思想，包含三個卷積層：一個1 x 1的降維卷積，一個主卷積層，一個1 x 1擴張卷積，bn和PReLU放在中間。對于下采樣的bottleneck模塊，主分支添加最大池層，第一個1×1卷積被替換為步長為2的2×2卷積，中間的主卷積有三種可能的選擇：Conv普通卷積,asymmetric分解卷積（如分解成 5 × 1 和 1 × 5 ），Dilated空洞卷積。對于正則化方式，使用了Spatial Dropout，在bottleneck 2.0之前p=0.01，之后p=0.1。由網(wǎng)絡結構表格可以看到，初始階段包含一個塊，接著是階段1由5個bottleneck 組成，而階段2和階段3具有相同的結構，階段3在開始時沒有對輸入進行降采樣。階段1到3是編碼器。階段4和5屬于解碼器。
細節(jié)：
（1）為了減少內核調用和內存操作，沒有在任何投影中使用bias，因為cuDNN會使用單獨的內核進行卷積和bias相加。這種方式對準確性沒有任何影響。
（2）在每個卷積層和隨后的非線性之間，都使用了bn進行處理。
（3）在解碼器中，用max unpooling代替max pooling，用無bias的spatial convolution代替padding。
（4）在最后一個上采樣模塊中，沒有使用池化索引，因為初始塊在輸入幀的3個通道上操作，而最終輸出具有C特征映射（對象類的數(shù)量）。
（5）出于性能原因，只在網(wǎng)絡的最后一個模塊設置一個完全卷積，僅這一項就占用了解碼器處理時間的很大一部分。
03
設計選擇
?1、Feature map resolution：
????語義分割中的圖像下采樣有兩個主要缺點：一是降低特征圖的分辨率意味著丟失精確邊緣形狀等空間信息；二是全像素分割要求輸出與輸入具有相同的分辨率。這意味著進行了多少次下采樣將需要同樣次數(shù)的上采樣，這將增加模型尺寸和計算成本。第一個問題在FCN中通過編碼器生成的特征映射之間的add得到了解決，在SegNet中通過保存在max pooling層中選擇的元素的索引，并使用它們在解碼器中生成稀疏的上采樣映射得到了解決。作者遵循SegNet方法，因為它減少了對內存需求。盡管如此，還是發(fā)現(xiàn)下采樣會損害準確性，需要盡可能的限制下采樣。當然，下采樣能夠擴大感受野，學習到更多的上下文特征用于逐像素的分類。
?2、Early downsampling：
????高分辨率的輸入會耗費大量計算資源，ENet的初始化模塊會大大減少輸入圖像的大小，并且只使用了少量的feature maps，初始化模塊充當良好的特性提取器，并且只對網(wǎng)絡稍后部分的輸入進行預處理。
?3、Decoder size：
??? ENet的Encoder和Decoder不對稱，由一個較大的Encoder和一個較小的Decoder組成，作者認為Encoder和分類模型相似，主要進行特征信息的處理和過濾，而decoder主要是對encoder的輸出做上采樣，對細節(jié)做細微調。
4、Nonlinear operations：
????作者發(fā)現(xiàn)ENet上使用ReLU卻降低了精度。相反，刪除網(wǎng)絡初始層中的大多數(shù)ReLU可以改善結果。用PReLU替換了網(wǎng)絡中的所有ReLU，對每個特征映射PReLU有一個附加參數(shù)，目的是學習非線性的負斜率。
?5、Information-preserving dimensionality changes：
????選擇在使用步長2的卷積的同時并行執(zhí)行池化操作，并將得到的特征圖拼接(concatenate)起來。這種技術可以將初始塊的推理時間提高10倍。此外，在原始ResNet架構中發(fā)現(xiàn)了一個問題。下采樣時，卷積分支中的第一個1×1卷積在兩個維度上以2的步長滑動，直接丟棄了75%的輸入。而ENet將卷積核的大小增加到了2×2，這樣可以讓整個輸入都參與下采樣，從而提高信息流和精度。雖然這使得這些層的計算成本增加了4倍，但是在ENET中這些層的數(shù)量很少，開銷并不明顯。
6、Factorizing filters：
????卷積權重存在大量冗余，并且每個n x n卷積可以分解成一個n x 1濾波和一個1 x n濾波，稱為非對稱卷積。本文采用n = 5的非對稱卷積，它的操作相當于一個3 x 3的卷積，增加了模塊的學習能力并增加了感受野，更重要的是，在瓶頸模塊中使用的一系列操作(投影、卷積、投影)可以被視為將一個大卷積層分解為一系列更小和更簡單的操作，即其低階近似。這樣的因子分解可以極大地減少參數(shù)的數(shù)量，從而減少冗余。此外，由于在層之間插入的非線性操作，特征也變得更豐富了。
7、Dilated convolutions：
大的感受野對分割任務也是非常重要的，可以參考更多的上下文特征對像素進行分類，為了避免對特征圖進行過度的下采樣，使用空洞卷積，在最小分辨率下運行的階段中，幾個瓶頸模塊內的主要卷積層都使用了空洞卷積。在沒有增加額外計算開銷的情況下，便提高了準確度。當作者將空洞卷積與其他bottleneck（常規(guī)和非對稱卷積）交織時，即不是按順序排列它們，獲得了最佳效果。
8、Regularization：
為了防止過擬合，把Spatial Dropout放在卷積分支的末端，就在加法之前。
04
實驗
1、性能比較：
2、硬件要求比較：
3、Cityscapes測試集上的結果比較：
4、CamVid數(shù)據(jù)集上不同模型的比較：
05
代碼
網(wǎng)絡結構部分的代碼詳見：
https://github.com/cswhshi/segmentation/blob/master/ENet.py
歡迎大家指正和star~
交流群
歡迎加入公眾號讀者群一起和同行交流，目前有SLAM、三維視覺、傳感器、自動駕駛、計算攝影、檢測、分割、識別、醫(yī)學影像、GAN、算法競賽等微信群（以后會逐漸細分），請掃描下面微信號加群，備注：”昵稱+學校/公司+研究方向“，例如：”張三?+?上海交大?+?視覺SLAM“。請按照格式備注，否則不予通過。添加成功后會根據(jù)研究方向邀請進入相關微信群。請勿在群內發(fā)送廣告，否則會請出群，謝謝理解~