圖像語(yǔ)義分割的概念與原理以及常用的方法

1、圖像語(yǔ)義分割的概念

1.1圖像語(yǔ)義分割的概念與原理

圖像語(yǔ)義分割可以說是圖像理解的基石性技術(shù)，在自動(dòng)駕駛系統(tǒng)（具體為街景識(shí)別與理解）、無(wú)人機(jī)應(yīng)用（著陸點(diǎn)判斷）以及穿戴式設(shè)備應(yīng)用中舉足輕重。我們都知道，圖像是由許多像素（Pixel）組成，而「語(yǔ)義分割」顧名思義就是將像素按照?qǐng)D像中表達(dá)語(yǔ)義含義的不同進(jìn)行分組（Grouping）／分割（Segmentation）。

圖像語(yǔ)義分割的意思就是機(jī)器自動(dòng)分割并識(shí)別出圖像中的內(nèi)容，比如給出一個(gè)人騎摩托車的照片，機(jī)器判斷后應(yīng)當(dāng)能夠生成右側(cè)圖，紅色標(biāo)注為人，綠色是車（黑色表示back ground）。

2、目前常用的算法

2.1 前 DL 時(shí)代的語(yǔ)義分割

從最簡(jiǎn)單的像素級(jí)別“閾值法”（Thresholding methods）、基于像素聚類的分割方法（Clustering-based segmentation methods）到“圖劃分”的分割方法（Graph partitioning segmentation methods），在深度學(xué)習(xí)（Deep learning, DL）“一統(tǒng)江湖”之前，圖像語(yǔ)義分割方面的工作可謂“百花齊放”。在此，我們僅以“Normalized cut” [1]和“Grab cut” [2]這兩個(gè)基于圖劃分的經(jīng)典分割方法為例，介紹一下前DL時(shí)代語(yǔ)義分割方面的研究。

2.1.1 Normalized Cut圖像分割

在Deeplearning技術(shù)快速發(fā)展之前，就已經(jīng)有了很多做圖像分割的技術(shù)，其中比較著名的是一種叫做“Normalized cut”的圖劃分方法，簡(jiǎn)稱“ N-cut ”。

Normalized cut （N-cut）方法是基于圖劃分（Graph partitioning）的語(yǔ)義分割方法中最著名的方法之一，于 2000 年 Jianbo Shi 和 Jitendra Malik 發(fā)表于相關(guān)領(lǐng)域頂級(jí)期刊 TPAMI。通常，傳統(tǒng)基于圖劃分的語(yǔ)義分割方法都是將圖像抽象為圖（Graph）的形式 G=（V，E） （V 為圖節(jié)點(diǎn)，E 為圖的邊），然后借助圖理論（Graph theory）中的理論和算法進(jìn)行圖像的語(yǔ)義分割。常用的方法為經(jīng)典的最小割算法（Min-cut algorithm）。不過，在邊的權(quán)重計(jì)算時(shí)，經(jīng)典 min-cut 算法只考慮了局部信息。如下圖所示，以二分圖為例（將 G 分為不相交的 , 兩部分），若只考慮局部信息，那么分離出一個(gè)點(diǎn)顯然是一個(gè) min-cut，因此圖劃分的結(jié)果便是類似 或 這樣離群點(diǎn)，而從全局來(lái)看，實(shí)際想分成的組卻是左右兩大部分。

針對(duì)這一情形，N-cut 則提出了一種考慮全局信息的方法來(lái)進(jìn)行圖劃分（Graph partitioning），即，將兩個(gè)分割部分 A,B , 與全圖節(jié)點(diǎn)的連接權(quán)重（assoc(A,V) 和 assoc(B,V)）考慮進(jìn)去：

如此一來(lái)，在離群點(diǎn)劃分中，中的某一項(xiàng)會(huì)接近 1，而這樣的圖劃分顯然不能使得是一個(gè)較小的值，故達(dá)到考慮全局信息而摒棄劃分離群點(diǎn)的目的。這樣的操作類似于機(jī)器學(xué)習(xí)中特征的規(guī)范化（Normalization）操作，故稱為Normalized cut。N-cut不僅可以處理二類語(yǔ)義分割，而且將二分圖擴(kuò)展為 K 路（ -way）圖劃分即可完成多語(yǔ)義的圖像語(yǔ)義分割，如下圖例。

2.1.2 Grab cut

Grab cut 是微軟劍橋研究院于 2004 年提出的著名交互式圖像語(yǔ)義分割方法。與 N-cut 一樣，grab cut 同樣也是基于圖劃分，不過 grab cut 是其改進(jìn)版本，可以看作迭代式的語(yǔ)義分割算法。Grab cut 利用了圖像中的紋理（顏色）信息和邊界（反差）信息，只要少量的用戶交互操作即可得到比較好的前后背景分割結(jié)果。

在 Grab cut 中，RGB 圖像的前景和背景分別用一個(gè)高斯混合模型（Gaussian mixture model, GMM）來(lái)建模。兩個(gè) GMM 分別用以刻畫某像素屬于前景或背景的概率，每個(gè) GMM 高斯部件（Gaussian component）個(gè)數(shù)一般設(shè)為 。接下來(lái)，利用吉布斯能量方程（Gibbs energy function）對(duì)整張圖像進(jìn)行全局刻畫，而后迭代求取使得能量方程達(dá)到最優(yōu)值的參數(shù)作為兩個(gè) GMM 的最優(yōu)參數(shù)。GMM 確定后，某像素屬于前景或背景的概率就隨之確定下來(lái)。

在與用戶交互的過程中，Grab cut 提供兩種交互方式：一種以包圍框（Bounding box）為輔助信息；另一種以涂寫的線條（Scribbled line）作為輔助信息。以下圖為例，用戶在開始時(shí)提供一個(gè)包圍框，grab cut 默認(rèn)的認(rèn)為框中像素中包含主要物體／前景，此后經(jīng)過迭代圖劃分求解，即可返回扣出的前景結(jié)果，可以發(fā)現(xiàn)即使是對(duì)于背景稍微復(fù)雜一些的圖像，grab cut 仍有不俗表現(xiàn)。

不過，在處理下圖時(shí)，grab cut 的分割效果則不能令人滿意。此時(shí)，需要額外人為的提供更強(qiáng)的輔助信息：用紅色線條／點(diǎn)標(biāo)明背景區(qū)域，同時(shí)用白色線條標(biāo)明前景區(qū)域。在此基礎(chǔ)上，再次運(yùn)行 grab cut 算法求取最優(yōu)解即可得到較為滿意的語(yǔ)義分割結(jié)果。Grab cut 雖效果優(yōu)良，但缺點(diǎn)也非常明顯，一是僅能處理二類語(yǔ)義分割問題，二是需要人為干預(yù)而不能做到完全自動(dòng)化。

其實(shí)大家不難看出，前 DL 時(shí)代的語(yǔ)義分割工作多是根據(jù)圖像像素自身的低階視覺信息（Low-level visual cues）來(lái)進(jìn)行圖像分割。由于這樣的方法沒有算法訓(xùn)練階段，因此往往計(jì)算復(fù)雜度不高，但是在較困難的分割任務(wù)上（如果不提供人為的輔助信息），其分割效果并不能令人滿意。

2.2 DL 時(shí)代的語(yǔ)義分割

前 DL 時(shí)代的語(yǔ)義分割工作多是根據(jù)圖像像素自身的低階視覺信息（Low-level visual cues）來(lái)進(jìn)行圖像分割。由于這樣的方法沒有算法訓(xùn)練階段，因此往往計(jì)算復(fù)雜度不高，但是在較困難的分割任務(wù)上（如果不提供人為的輔助信息），其分割效果并不能令人滿意。

在計(jì)算機(jī)視覺步入深度學(xué)習(xí)時(shí)代之后，語(yǔ)義分割同樣也進(jìn)入了全新的發(fā)展階段，以全卷積神經(jīng)網(wǎng)絡(luò)（Fully convolutional networks，F(xiàn)CN）為代表的一系列基于卷積神經(jīng)網(wǎng)絡(luò)「訓(xùn)練」的語(yǔ)義分割方法相繼提出，屢屢刷新圖像語(yǔ)義分割精度。下面就介紹三種在 DL時(shí)代語(yǔ)義分割領(lǐng)域的代表性做法。

2.2.1全卷積神經(jīng)網(wǎng)絡(luò)[3]

全卷積神經(jīng)網(wǎng)絡(luò) FCN 可以說是深度學(xué)習(xí)在圖像語(yǔ)義分割任務(wù)上的開創(chuàng)性工作，出自 UC Berkeley 的 Trevor Darrell 組，發(fā)表于計(jì)算機(jī)視覺領(lǐng)域頂級(jí)會(huì)議 CVPR 2015，并榮獲best paper honorable mention。

FCN 的思想很直觀，即直接進(jìn)行像素級(jí)別端到端（end-to-end）的語(yǔ)義分割，它可以基于主流的深度卷積神經(jīng)網(wǎng)絡(luò)模型（CNN）來(lái)實(shí)現(xiàn)。正所謂‘全卷積神經(jīng)網(wǎng)絡(luò)‘，在FCN中，傳統(tǒng)的全連接層 fc6 和 fc7 均是由卷積層實(shí)現(xiàn)，而最后的 fc8 層則被替代為一個(gè) 21 通道（channel）的 1x1 卷積層，作為網(wǎng)絡(luò)的最終輸出。之所以有 21 個(gè)通道是因?yàn)?PASCAL VOC 的數(shù)據(jù)中包含 21 個(gè)類別（20個(gè)object類別和一個(gè)「background」類別）。下圖為 FCN 的網(wǎng)絡(luò)結(jié)構(gòu)，若原圖為 H×W×3，在經(jīng)過若干堆疊的卷積和池化層操作后可以得到原圖對(duì)應(yīng)的響應(yīng)張量（Activation tensor）?，其中，為 i 第 層的通道數(shù)?？梢园l(fā)現(xiàn)，由于池化層的下采樣作用，使得響應(yīng)張量的長(zhǎng)和寬遠(yuǎn)小于原圖的長(zhǎng)和寬，這便給像素級(jí)別的直接訓(xùn)練帶來(lái)問題。

為了解決下采樣帶來(lái)的問題，F(xiàn)CN 利用雙線性插值將響應(yīng)張亮的長(zhǎng)寬上采樣到原圖大小，另外為了更好的預(yù)測(cè)圖像中的細(xì)節(jié)部分，F(xiàn)CN 還將網(wǎng)絡(luò)中淺層的響應(yīng)也考慮進(jìn)來(lái)。具體來(lái)說，就是將 Pool4 和 Pool3 的響應(yīng)也拿來(lái)，分別作為模型 FCN-16s 和 FCN-8s 的輸出，與原來(lái) FCN-32s 的輸出結(jié)合在一起做最終的語(yǔ)義分割預(yù)測(cè)（如下圖所示）。

下圖是不同層作為輸出的語(yǔ)義分割結(jié)果，可以明顯看出，由于池化層的下采樣倍數(shù)的不同導(dǎo)致不同的語(yǔ)義分割精細(xì)程度。如 FCN-32s，由于是 FCN 的最后一層卷積和池化的輸出，該模型的下采樣倍數(shù)最高，其對(duì)應(yīng)的語(yǔ)義分割結(jié)果最為粗略；而 FCN-8s 則因下采樣倍數(shù)較小可以取得較為精細(xì)的分割結(jié)果。

2.2.2 Dilated Convolutions [4]

FCN 的一個(gè)不足之處在于，由于池化層的存在，響應(yīng)張量的大?。ㄩL(zhǎng)和寬）越來(lái)越小，但是FCN的設(shè)計(jì)初衷則需要和輸入大小一致的輸出，因此 FCN 做了上采樣。但是上采樣并不能將丟失的信息全部無(wú)損地找回來(lái)。

對(duì)此，dilated convolution 是一種很好的解決方案——既然池化的下采樣操作會(huì)帶來(lái)信息損失，那么就把池化層去掉。但是池化層去掉隨之帶來(lái)的是網(wǎng)絡(luò)各層的感受野（Receptive field）變小，這樣會(huì)降低整個(gè)模型的預(yù)測(cè)精度。Dilated convolution 的主要貢獻(xiàn)就是，如何在去掉池化下采樣操作的同時(shí)，而不降低網(wǎng)絡(luò)的感受野。

以 3×3 的卷積核為例，傳統(tǒng)卷積核在做卷積操作時(shí)，是將卷積核與輸入張量中「連續(xù)」的 3×3 的 patch 逐點(diǎn)相乘再求和（如下圖a，紅色圓點(diǎn)為卷積核對(duì)應(yīng)的輸入「像素」，綠色為其在原輸入中的感知野）。而 dilated convolution 中的卷積核則是將輸入張量的 3×3 patch 隔一定的像素進(jìn)行卷積運(yùn)算。如下圖 b 所示，在去掉一層池化層后，需要在去掉的池化層后將傳統(tǒng)卷積層換做一個(gè)「dilation=2」的 dilated convolution 層，此時(shí)卷積核將輸入張量每隔一個(gè)「像素」的位置作為輸入 patch 進(jìn)行卷積計(jì)算，可以發(fā)現(xiàn)這時(shí)對(duì)應(yīng)到原輸入的感知野已經(jīng)擴(kuò)大（dilate）為 ；同理，如果再去掉一個(gè)池化層，就要將其之后的卷積層換成「dilation=4」的 dilated convolution 層，如圖 c 所示。這樣一來(lái)，即使去掉池化層也能保證網(wǎng)絡(luò)的感受野，從而確保圖像語(yǔ)義分割的精度。

從下面的幾個(gè)圖像語(yǔ)義分割效果圖可以看出，在使用了 dilated convolution 這一技術(shù)后可以大幅提高語(yǔ)義類別的辨識(shí)度以及分割細(xì)節(jié)的精細(xì)度。

2.2.3 以條件隨機(jī)場(chǎng)為代表的后處理操作[5]

當(dāng)下許多以深度學(xué)習(xí)為框架的圖像語(yǔ)義分割工作都是用了條件隨機(jī)場(chǎng)（Conditional random field，CRF）作為最后的后處理操作來(lái)對(duì)語(yǔ)義預(yù)測(cè)結(jié)果進(jìn)行優(yōu)化。

一般來(lái)講，CRF 將圖像中每個(gè)像素點(diǎn)所屬的類別都看作一個(gè)變量，然后考慮任意兩個(gè)變量之間的關(guān)系，建立一個(gè)完全圖（如下圖所示）。

在全鏈接的 CRF 模型中，對(duì)應(yīng)的能量函數(shù)為：

其中是一元項(xiàng)，表示Xi像素對(duì)應(yīng)的語(yǔ)義類別, 其類別可以由 FCN 或者其他語(yǔ)義分割模型的預(yù)測(cè)結(jié)果得到；而第二項(xiàng)為二元項(xiàng)，二元項(xiàng)可將像素之間的語(yǔ)義聯(lián)系／關(guān)系考慮進(jìn)去。例如，「天空」和「鳥」這樣的像素在物理空間是相鄰的概率，應(yīng)該要比「天空」和「魚」這樣像素的相鄰概率大。最后通過對(duì) CRF 能量函數(shù)的優(yōu)化求解，得到對(duì) FCN 的圖像語(yǔ)義預(yù)測(cè)結(jié)果進(jìn)行優(yōu)化，得到最終的語(yǔ)義分割結(jié)果。值得一提的是，已經(jīng)有工作[5]將原本與深度模型訓(xùn)練割裂開的 CRF 過程嵌入到神經(jīng)網(wǎng)絡(luò)內(nèi)部，即，將 FCN+CRF 的過程整合到一個(gè)端到端的系統(tǒng)中，這樣做的好處是 CRF 最后預(yù)測(cè)結(jié)果的能量函數(shù)可以直接用來(lái)指導(dǎo) FCN 模型參數(shù)的訓(xùn)練，而取得更好的圖像語(yǔ)義分割結(jié)果。

3、展望

基于深度學(xué)習(xí)的圖像語(yǔ)義分割技術(shù)雖然可以取得相比傳統(tǒng)方法突飛猛進(jìn)的分割效果，但是其對(duì)數(shù)據(jù)標(biāo)注的要求過高：不僅需要海量圖像數(shù)據(jù)，同時(shí)這些圖像還需提供精確到像素級(jí)別的標(biāo)記信息（Semantic labels）。因此，越來(lái)越多的研究者開始將注意力轉(zhuǎn)移到弱監(jiān)督（Weakly-supervised）條件下的圖像語(yǔ)義分割問題上。在這類問題中，圖像僅需提供圖像級(jí)別標(biāo)注（如，有「人」，有「車」，無(wú)「電視」）而不需要昂貴的像素級(jí)別信息即可取得與現(xiàn)有方法可比的語(yǔ)義分割精度。

另外，示例級(jí)別（Instance level）的圖像語(yǔ)義分割問題也同樣熱門。該類問題不僅需要對(duì)不同語(yǔ)義物體進(jìn)行圖像分割，同時(shí)還要求對(duì)同一語(yǔ)義的不同個(gè)體進(jìn)行分割（例如需要對(duì)圖中出現(xiàn)的九把椅子的像素用不同顏色分別標(biāo)示出來(lái)）

審核編輯 ：李倩