当前位置：首页 > news >正文

秃姐学AI系列之：FCN + 代码实现

news 2024/10/23 21:21:21

全连接神经网络——FCN

我们上篇博文讲了，语义分割是对图片的每个像素进行分类。而全卷积网络（fully convolutional network，FCN）采用卷积神经网络实现了从图像像素到像素类别的变换。

与我们之前在图像分类或目标检测部分介绍的卷积神经网络不同，全卷积网络将中间层特征图的高和宽变换回输入图像的尺寸：通过引入的转置卷积（transposed convolution）实现。因此，输出的类别预测与输入图像在像素级别上具有一一对应关系：通道维的输出即该位置对应像素的类别预测。

FCN使用深度神经网络来做语义分割的奠基性工作（意味着现在用的不多，开创性工作）
它用转置卷积层来替换CNN最后的全连接层，从而实现每个像素的预测

上图的“卷积神经网络”其实是去掉了最后的全连接层和全局平均池化层的已经训练好的分类网络

后接一个 1x1的卷积层，不是用来对空间信息做操作，主要是用来降低你的维度，降低后面的计算量

后接一个转置卷积层，来把图片放大——>会还原成和输入图片一样尺寸大小的图片，其通道数 k 表示对每个像素来言，有 k 个类别。（即分类存储在通道中）

代码实现

%matplotlib inline
import torch
import torchvision
from torch import nn
from torch.nn import functional as F
from d2l import torch as d2l

拉预训练ResNet-18网络

下面，我们使用在 ImageNet 数据集上预训练的 ResNet-18 模型来提取图像特征，并将该网络记为 pretrained_net。

ResNet-18 模型的最后几层包括全局平均汇聚层和全连接层，然而全卷积网络中不需要它们。

# 把参数pretrained打开，就可以拿到模型的权重
pretrained_net = torchvision.models.resnet18(pretrained=True)
# 把模型最后三层列出来看看长什么样子
list(pretrained_net.children())[-3:]# 输出
[Sequential((0): BasicBlock((conv1): Conv2d(256, 512, kernel_size=(3, 3), stride=(2, 2), padding=(1, 1), bias=False)(bn1): BatchNorm2d(512, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)(relu): ReLU(inplace=True)(conv2): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)(bn2): BatchNorm2d(512, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)(downsample): Sequential((0): Conv2d(256, 512, kernel_size=(1, 1), stride=(2, 2), bias=False)(1): BatchNorm2d(512, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)))(1): BasicBlock((conv1): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)(bn1): BatchNorm2d(512, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)(relu): ReLU(inplace=True)(conv2): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)(bn2): BatchNorm2d(512, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True))),AdaptiveAvgPool2d(output_size=(1, 1)),    # 一个平均池化层Linear(in_features=512, out_features=1000, bias=True)]    # 一个线性层

由此我们发现，最后两层：平均池化层和线性层是我们不需要的

接下来，我们创建一个全卷积网络net。它复制了ResNet-18中大部分的预训练层，除了最后的全局平均汇聚层和最接近输出的全连接层。

# 去掉pretrained_net的后两层，把参数变成一个list，传入Sequential，一个新的net创建完毕
net = nn.Sequential(*list(pretrained_net.children())[:-2])X = torch.rand(size=(1, 3, 320, 480))
net(X).shape# 输出
torch.Size([1, 512, 10, 15])

我们发现给定高度为320和宽度为480的输入，net的前向传播将输入的高和宽减小至原来的1/32，即10和15。

全卷积网络的好处在于，不会明确的框定输入输出大小：

CNN一旦确定了网络，输入输出都是确定的值

而FCN它学习的是kernal的值，与你图片的大小没有明确的关系，所以一个比较大的图片也可以接得住

使用卷积层将输出通道改变为数据集对应的类别数

接下来使用1×1卷积层将输出通道数转换为Pascal VOC2012数据集的类数（21类）。

最后需要将特征图的高度和宽度增加32倍，从而将其变回输入图像的高和宽。

回想一下卷积层输出形状的计算方法：由于(320−64+16×2+32)/32=10且(480−64+16×2+32)/32=15，我们构造一个步幅为32的转置卷积层，并将卷积核的高和宽设为64，填充为16。

我们可以看到如果步幅为s，填充为s/2（假设s/2是整数）且卷积核的高和宽为2s，转置卷积核会将输入的高和宽分别放大s倍。

num_classes = 21
net.add_module('final_conv', nn.Conv2d(512, num_classes, kernel_size=1))
net.add_module('transpose_conv', nn.ConvTranspose2d(num_classes, num_classes,kernel_size=64, padding=16, stride=32))

初始化转置卷积层

在图像处理中，我们有时需要将图像放大，即上采样（upsampling）。 双线性插值（bilinear interpolation）是常用的上采样方法之一，它也经常用于初始化转置卷积层。

为了解释双线性插值，假设给定输入图像，我们想要计算上采样输出图像上的每个像素。

将输出图像的坐标(x,y)映射到输入图像的坐标(x′,y′)上。例如，根据输入与输出的尺寸之比来映射。请注意，映射后的x′和y′是实数。
在输入图像上找到离坐标(x′,y′)最近的4个像素。
输出图像在坐标(x,y)上的像素依据输入图像上这4个像素及其与(x′,y′)的相对距离来计算。

双线性插值的上采样可以通过转置卷积层实现，内核由以下bilinear_kernel函数构造。

# 双线性插值核的实现
def bilinear_kernel(in_channels, out_channels, kernel_size):factor = (kernel_size + 1) // 2if kernel_size % 2 == 1:center = factor - 1else:center = factor - 0.5og = (torch.arange(kernel_size).reshape(-1, 1),torch.arange(kernel_size).reshape(1, -1))filt = (1 - torch.abs(og[0] - center) / factor) * \(1 - torch.abs(og[1] - center) / factor)weight = torch.zeros((in_channels, out_channels,kernel_size, kernel_size))weight[range(in_channels), range(out_channels), :, :] = filtreturn weight

用双线性插值的上采样输出话转置卷积层。对于卷积层，我们使用Xavier初始化参数。

W = bilinear_kernel(num_classes, num_classes, 64)
net.transpose_conv.weight.data.copy_(W);

读取数据集

batch_size, crop_size = 32, (320, 480)
train_iter, test_iter = d2l.load_data_voc(batch_size, crop_size)

训练

训练方面的代码几乎没什么区别，唯一区别就是以前分类，我们的损失是一个标量，而现在每个像素都需要计算一个损失，相当于一个矩阵，需要在长、宽维度求一个均值

def loss(inputs, targets):# 求均值return F.cross_entropy(inputs, targets, reduction='none').mean(1).mean(1)num_epochs, lr, wd, devices = 5, 0.001, 1e-3, d2l.try_all_gpus()
trainer = torch.optim.SGD(net.parameters(), lr=lr, weight_decay=wd)
d2l.train_ch13(net, train_iter, test_iter, loss, trainer, num_epochs, devices)

预测

在预测时，我们需要将输入图像在各个通道做标准化，并转成卷积神经网络所需要的四维输入格式。

def predict(img):X = test_iter.dataset.normalize_image(img).unsqueeze(0)pred = net(X.to(devices[0])).argmax(dim=1)    # 在通道维度（21维）上做argmax，可以得到对每个像素的预测的那个通道数最大值return pred.reshape(pred.shape[1], pred.shape[2])

为了可视化预测的类别给每个像素，我们将预测类别映射回它们在数据集中的标注颜色。

def label2image(pred):colormap = torch.tensor(d2l.VOC_COLORMAP, device=devices[0])X = pred.long()return colormap[X, :]

测试数据集中的图像大小和形状各异。由于模型使用了步幅为32的转置卷积层，因此当输入图像的高或宽无法被32整除时，转置卷积层输出的高或宽会与输入图像的尺寸有偏差。

为了解决这个问题，我们可以在图像中截取多块高和宽为32的整数倍的矩形区域，并分别对这些区域中的像素做前向传播。

请注意，这些区域的并集需要完整覆盖输入图像。

当一个像素被多个区域所覆盖时，它在不同区域前向传播中转置卷积层输出的平均值可以作为softmax运算的输入，从而预测类别。

为简单起见，我们只读取几张较大的测试图像，并从图像的左上角开始截取形状为320×480的区域用于预测。对于这些测试图像，我们逐一打印它们截取的区域，再打印预测结果，最后打印标注的类别。

voc_dir = d2l.download_extract('voc2012', 'VOCdevkit/VOC2012')
test_images, test_labels = d2l.read_voc_images(voc_dir, False)
n, imgs = 4, []
for i in range(n):crop_rect = (0, 0, 320, 480)X = torchvision.transforms.functional.crop(test_images[i], *crop_rect)pred = label2image(predict(X))imgs += [X.permute(1,2,0), pred.cpu(),torchvision.transforms.functional.crop(test_labels[i], *crop_rect).permute(1,2,0)]
d2l.show_images(imgs[::3] + imgs[1::3] + imgs[2::3], 3, n, scale=2);