SegNet DeconvNet——论文阅读
一、DeconvNet
1、提出背景
此前的语义分割方法主要基于全卷积网络 (Fully Convolutional Networks, FCN)，这种方法通过卷积层逐渐下采样并生成粗略的标签映射，随后用双线性插值或条件随机场 (CRF) 进行细化。然而，FCN 存在两个主要问题：
- 尺度不一致：FCN 使用固定大小的感受野，导致难以捕捉到大小相差悬殊的物体，较大的物体会被切割成不一致的部分，较小的物体可能被忽略。
- 细节损失：FCN 生成的标签图较为粗糙，导致物体的边缘细节难以恢复。
DeconvNet 引入了逆卷积网络 (Deconvolution Network)，旨在解决上述问题，以实现更加精细的语义分割效果
2、模型设计
（1）整体架构
如上图，展示了整个深度网络的详细配置。我们训练的网络由卷积网络和反卷积网络两部分组成。卷积网络对应于将输入图像转换为多维特征表示的特征提取器，而反卷积网络是一个形状生成器，从卷积网络提取的特征中产生对象分割。网络的最终输出是一个与输入图像大小相同的概率图，表示每个像素属于预定义类之一的概率。
（2）Unpooling
在卷积过程中，池化会导致空间信息丢失。DeconvNet 通过记录池化位置，并在反池化层中还原激活的空间位置，恢复细节。
（3）Deconvolution
通过卷积反向操作，将稀疏的激活映射变为密集的输出。逆卷积的层次结构捕捉不同级别的细节，底层层次关注物体的粗略形状，高层则关注特定类别的细节信息。
3、优缺点
（1）优点：
- 细节保留：通过逆卷积和反池化操作，DeconvNet 能够逐层重建物体的细节结构，相较于 FCN 有显著提升。
- 多尺度处理：通过对每个对象候选区域单独处理，DeconvNet 能够自适应多尺度物体，不受固定感受野的限制。
- 优异表现：在 PASCAL VOC 2012 数据集上，该模型的性能超越了多数不使用外部数据的模型，与 FCN 的集成提升了整体分割精度。
（2）缺点：
- 计算复杂度高：DeconvNet 的双网络结构使其计算复杂度较高，对硬件资源要求较大。
- 依赖候选区域：由于使用候选区域进行实例级分割，依赖物体检测的准确性，可能会导致误检或漏检的情况。
- 训练数据量需求高：为了优化深层模型，模型设计了批归一化和分阶段训练策略，但仍对数据量较为依赖(DeconvNet)。
总的来说，DeconvNet 在解决 FCN 缺点的基础上，通过逆卷积网络结构在语义分割任务上取得了显著的效果。
二、SegNet
1、提出背景
SegNet旨在处理语义分割任务中的像素级标注。传统的图像分类网络在语义分割任务中表现较差，因为图像经过多次下采样后，分辨率降低，细节信息丢失，从而导致边界模糊。SegNet 主要针对这些问题，通过引入编码器-解码器结构实现更精确的边界定位，特别适用于场景理解等应用需求
2、模型设计
SegNet 的核心是一个编码器-解码器架构，分为三个主要部分：编码器、解码器和像素级分类层。
- 编码器：采用与 VGG16 网络类似的架构，由 13 层卷积层组成，用于提取特征。编码器执行最大池化操作以降低空间分辨率并增强特征的语义信息。
- 解码器：每个解码器层与相应的编码器层相匹配，通过编码器的池化索引进行非线性上采样，从而复原分辨率。在解码过程中，上采样后的稀疏特征图通过卷积操作变为密集特征图，以便进行像素级分类。与其他解码器不同，SegNet 的解码器无需学习上采样过程。
- 分类层：最终解码器输出的特征图被送入 softmax 分类器，为每个像素提供类别概率，从而实现精确的像素分类。
3、优缺点
（1）优点：
- 边界精度：通过保留编码器的池化索引，SegNet 能更好地恢复边界细节，提高物体边缘的精确性。
- 内存效率：由于仅存储池化索引而非特征图，SegNet 在推理过程中节省了大量内存，非常适合嵌入式应用。
- 模型轻量：相比其他包含全连接层的网络，SegNet 大幅减少了参数数量（从 VGG16 的 134M 降至 14.7M），因此更易于训练和部署。
（2）缺点：
- 缺乏多尺度信息：SegNet 的解码方式在处理复杂多尺度物体时表现欠佳，因为编码特征在多次池化后可能丢失细节。
- 边界细节依赖池化索引：虽然 SegNet 通过池化索引恢复细节，但与完整的特征图相比，其重建的细节不够丰富。
- 计算资源需求高：虽然 SegNet 在内存上具备优势，但依然需要较高的计算资源，尤其是在大数据集上的训练。
总的来说，SegNet 提供了一种高效、实用的语义分割解决方案，适用于需要精准边界细分且计算资源受限的场景，如自动驾驶和增强现实等。
三、SegNet 在 DeconvNet 上有哪些改进？
SegNet 在 DeconvNet 基础上优化了内存和计算需求，通过复用池化索引的上采样方法显著提升了边界细节的保留能力，并且更易于在端到端训练中获得良好性能，非常适合对效率和内存有要求的应用。