FCN图像分割

一. 图像语义分割

传统的图像分割方法主要包括以下几种：

1）基于边缘检测

2）基于阈值分割

比如直方图，颜色，灰度等

3）水平集方法

这里我们要说的是语义分割，什么是语义分割呢？先来看张图：

将目标按照其分类进行像素级的区分，比如区分上图的摩托车和骑手，这就是语义分割，语义分割赋予了场景理解更进一步的手段。

我们直接跳过传统的语义分割方法，比如 N-Cut，图割法等，直接进入深度学习。

二. FCN 的引入

CNN 在图像分割中应用，起源于2015年的这篇影响深远的文章：

Fully Convolutional Networks for Semantic Segmentation 【点击下载】

这里提到的就是全卷积网络，那么这个全卷积是如何理解和 Work 的呢？来看一个对比：

上图红色部分对应CNN分类网络的最后三层，也就是 FC 全连接，通过 Softmax 得到一个1000维的向量（基于Imagenet的图像分类），表示1000个不同的分类对应的概率，“tabby cat” 作为概率最高的结果。

下图蓝色部分将 分类网络对应的最后三层全连接替换成了卷积。整个网络全部通过卷积连接，so called 全卷积。这么做的目的是什么呢？

● 通过像素分类来定义语义分割

全卷积网络的输出是一张分割图，如何输出这张分割图呢？通过卷积，图像的分辨率逐渐降低，这里需要引入一个概念，就是上采样，即将低分辨率的图像放大到和原始图像同分辨率上，这是一个关键点。比如经过5次卷积（pooling）后，图像的分辨率依次缩小了2，4，8，16，32倍。对于最后一层的输出图像，需要进行32倍的上采样，得到原图大小一样的图像。

这个上采样是通过 反卷积（DeConvolution）实现的。来直观看一下反卷积的过程：

加上反卷积过程，整个的网络可以描述成：

由于前面采样部分过大，有时候会导致后面进行反卷积得到的结果分辨率比较低，导致一些细节丢失，解决的一个办法是将第 3|4|5 层反卷积结果叠加，结果我们就不贴了，肯定是上采样倍数越小，结果越好，来看叠加示意图（这种方式应该不陌生）：

三. FCN 的改进

虽然 FCN引领了CNN基于语义分割的方向，但仍有很多地方需要改进，比如上采样导致的像素分割不精细，效率也不够快等等，我们相信一定有办法让其更高效、更精细。这里提到的一个方法就是结合 CRF。

CRF 全称是 Conditional Random Field，中文叫 “条件随机场”，首先来理解什么是随机场，一堆随机的样本就可以理解为是随机场，假设这些样本之间有关联关系，就成立条件随机场，CRF 最早在深度学习的 NLP 领域有比较多的应用，可以理解为语境的上下文关系，可以参考下面这篇文章：

Introduction to Conditional Random Fields

第一个改进 来自于 UCLA 的 Liang-Chieh Chen，在像素分类后叠加了一个 Fully Connected Conditional Random Fields（全连接的条件随机场）。

论文地址：Semantic image segmentation with deep convolutional nets and fully connected crfs

通过上图示意可以看到，Fully Connected CRF 在前面 FCN 输出的基础上，以全连接的形式，实现了后处理过程，使得像素分割更加细致，具体请参考论文。

接下来的改进有通过 RNN + CRF 的idea：

参考论文：Conditional random fields as recurrent neural networks

根据实验对比效果来看，相当不错（注：DeepLab 就是上面的 Full connected CRF方法）：

针对FCN的改进会在近两年一直持续，作者最关注的还是，Mask-RCNN，将目标检测与分割一起work的方法，接下来在下一篇文章介绍！

“桃李不言，下自成蹊”，FCN 当真是属于这个级别的贡献，引领了在这条道路上的每一次Follow。

四. 实例分割（Instance Segment）

实例分割 与 语义分割的区别是要区分出每个目标（不仅仅是像素），相当于 检测+分割，通过一张图来直观理解一下：

关于实例分割的一篇典型论文 MaskRCNN，可以参考【Mask RCNN】，代码实现可以参考【浅入浅出TensorFlow 8 - 行人分割】