题目: Pyramid Scene Parsing Network - CVPR2017 作者: Hengshuang Zhao, Jianping Shi, Xiaojuan Qi, Xiaogang Wang, Jiaya Jia 团队: CUHK, SenseTime Group Limited(商汤)

• [PSPNet - Project]
• [PSPNet - Code-Caffe]
• [PSPNet - Slides]

场景标注 Scene parsing 全局内容信息 global context information different-regionbased context aggregation pyramid pooling module 像素级预测 pixellevel prediction tasks

<h2>Introduction</h2>

场景识别，基于语义分割，其目标是对图像中的各像素分别分配一个类别标签，以对场景进行理解. 如Figure 1.

场景识别，主要利用 FCN 网络，存在的问题：

• 物体外形相似 similar appearance of objects，especially considering diverse scenes and unrestricted vocabulary.
  
• FCN 缺乏利用全局场景类别信息的策略 lack of suitable strategy to utilize global scene category clues —— Spatial pyramid pooling 和 Spatial pyramid pooling network 采用不同的空间信息来对场景整体理解.

PSPNet：

• PSPNet 来提取合适的全部特征
• 将传统 dilated FCN 产生的像素级特征，扩展到 global pyramid pooling 特征.
  
• 结合 Local 和 Global 信息进行最终的预测.
  
• 提出 supervised loss 的优化策略，防止梯度发散.

<h2>Pyramid Scene Parsing Network</h2>

<h3>复杂场景标注存在的问题</h3>

• Mismatched Relationship 关系不匹配
  复杂场景理解中，上下文关系是很普遍且重要的，物体间存在的共生(co-occurrent)的视觉属性. 如，飞机可能在跑道上或者飞在空中，而不是在公路上. 如 Figure2 的第一行，FCN 基于外形将黄色框中的 boat 错误预测成 car. 但从常识来说，car 很少在河流上. 因此，缺少完整的上下文间信息导致容易出现误分类.
• Confusion Categories 类别易混淆
  物体类别标签容易混淆，比如 field 和 earth、mountain 和 hill、wall 和 house 和 building 和 skyscraper. 如 Figure2 的第二行，FCN 将方框中的内容预测分别为 skyscraper 和 building 的一部分. 而实际上，结果应该全部是两者中的一个，而不是都有. 通过利用类别间的关系能够纠正该问题.
• Inconspicuous Classes 类别不显著
  场景中包含任意大小的物体，一些小尺寸、不显著(Inconspicuous)的物体很难被发现，比如路灯和信号牌等，但这些小物体的作用却很大. 而，大尺寸的物体超出了FCN的接受野，导致预测结果不连续(discontinuous). 如 FIgure2 的第三行，pillow(枕头) 和 sheet(床单) 外形比较相似，俯瞰全局场景类别可能忽略掉 pillow. 因此，为了能较好的考虑不同尺寸大小的物体，需要注意包含不显著物体的不同子区域.
  

<h3>Pyramid Pooling Module</h3>

基于以上三类问题， 提出 Pyramid Pooling Module 来有效获取全局上下文信息.

• 深度网络中的接受野大小可以粗略的估计获取的上下文信息的多少.
  

  • 理论上，ResNet 的接受野大于输入图像；但实际上，CNN的接受野是比理论上要小的，尤其是在网络的 high-level 层.
    
• Global average pooling(全局平均池化) 是一种较好获取全局上下文信息的方法

• Spatial pyramid pooling in deep convolutional networks for visual recognition 中，采用 pyramid pooling 得到的不同 levels 的 feature maps 转化为固定长度的一维特征表示，输入到全连接层，以进行分类任务. 该一维全局先验信息去除了CNN的固定尺寸约束.

  • 为了减少不同子区域的上下文信息损失，这里提出分层全局先验，包含了不同尺度和不同子区域的信息，即 pyramid pooling module，添加在深度网络的最后输出层的 feature maps. 如 Figure3(c).

• pyramid pooling module 进行了四种不同的 pyramid scales，再进行特征融合
  • 红色部分是 global pooling 生成一个单元格输出；
  • pyramid level 将 feature map 分成不同的子区域，并得到不同位置的 pooled 特征表示.
  • 不同 levels 的输出包含了不同尺寸的 feature map； 四个 level 的单元格大小分别为 1×1、 2×2、3×3 和 6x6；
  • 在各 pyramid level 后采用 1×1 卷积层对上下文特征进行降维，保持全局特征的权重，如果 pyramid 的 level 大小为 N，则卷积层后变为 1/N；
  • 对低维 feature maps 进行双线性差值(bilinear interpolation)的 upsample 操作，以得到与原始 feature maps 一样的尺寸大小；
  • 连接不同 levels 的 features，即可得到最终的 pyramid pooling global feature.

<h3>网络结构</h3>

pyramid scene parsing network (PSPNet) 网络结构如 Figure3.

• 采用一个卷积层输出最终的预测结果，如 Figure3(d).

PSPNet 特点：

• 能够有效的得到像素级场景标注的全局上下文信息， pyramid pooling module 集合不同 levels 的信息，比 global pooling 具有更好的特征表示能力了；
• 计算代价与 dilated FCN 网络对比，并未增加；
• End-to-end，同时对 global pyramid pooling module 和 local FCN feature 进行优化学习；
• 监督 Loss，如 Figure4.
  
  

<h2>Results</h2>

<h2>References</h2>

• Pyramid Scene Parsing Network - 董卓瑶
• Spatial pyramid pooling in deep convolutional networks for visual recognition
  • SPP_net