肖建峰

（南華大學(xué)計算機學(xué)院軟件工程系，衡陽 421001）

0 引言

深度學(xué)習(xí)（deep learning，DL）是機器學(xué)習(xí)（machine learning，ML）領(lǐng)域中一個新的研究方向，它被引入機器學(xué)習(xí)使其更接近于最初的目標(biāo)——人工智能（artificial intelligence，AI）［1］。近年來隨著深度學(xué)習(xí)的發(fā)展，深度學(xué)習(xí)在計算機視覺上用于語義分割有不錯的成就。圖像分割是計算機視覺領(lǐng)域的一個重要方向，是圖像處理的核心環(huán)節(jié)。伴隨深度學(xué)習(xí)技術(shù)的發(fā)展，結(jié)合深度學(xué)習(xí)的圖像分割技術(shù)在精確度上遠超傳統(tǒng)圖像分割方法。卷積神經(jīng)網(wǎng)絡(luò)（CNN）與全卷積神經(jīng)網(wǎng)絡(luò)（FCN）的提出，極大促進了圖像語義分割技術(shù)發(fā)展,研究人員提出了很多新型網(wǎng)絡(luò)模型，分割精準(zhǔn)度大幅度提升［2］。

遙感技術(shù)在空間地理信息的應(yīng)用上解決了許多的問題。遙感技術(shù)廣泛用于軍事檢測、監(jiān)視海洋環(huán)境、觀察天氣等。在民用方面，遙感技術(shù)被用來進行地理資源檢測、農(nóng)作物分類、用地規(guī)劃、環(huán)境污染監(jiān)測、建筑識別、預(yù)測地震等方面。

本文將講述語義分割的相關(guān)內(nèi)容，闡明使用FCN和ResNet結(jié)合的網(wǎng)絡(luò)模型來對地表的建筑物進行識別，將圖像分割出來的原理。并利用航拍的地表圖片進行訓(xùn)練，得出實驗結(jié)果，進行總結(jié)。

1 語義分割

1.1 語義分割的定義

語義分割是計算機視覺中十分重要的領(lǐng)域，它是從像素的級別上識別圖像，識別出圖像中每個像素對應(yīng)的物體的種類。語義分割的目的是將圖像中的每個像素映射至一個目標(biāo)類。語義在圖像的領(lǐng)域來說就是指對圖像內(nèi)容進行理解。分割，就是將圖像中物體從像素的顏色上分離。如圖1中對像素進行分類識別出一只貓。

圖1 語義分割簡單示例

1.2 語義分割的應(yīng)用

1.2.1 地理位置信息

通過構(gòu)建神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)，將航拍的圖像作為輸入能有效地自動識別地表的建筑、山川、河流等位置信息，來幫助地理局進行相關(guān)的工作。

1.2.2 用于無人駕駛

對于自動駕駛的汽車來說，判斷道路的情況是十分重要的，對無人駕駛來說語義分割是很核心的算法，通過對道路圖像的輸入利用神經(jīng)網(wǎng)絡(luò)將道路上的物體分類，從而對分析的道路情況進項相應(yīng)的駕駛操作，提升駕駛的安全。如圖2所示。

圖2 道路情況語義分割

1.2.3 醫(yī)療影像分析

圖像分割是一個重要的處理步驟，它可以幫助進行以圖像為指引的醫(yī)學(xué)干預(yù)、放射療法或是更有效的放射科診斷等［3］。如圖3所示。

圖3 醫(yī)學(xué)影像齲齒診斷語義分割

1.3 計算機視覺領(lǐng)域?qū)Ρ?/h3>

1.3.1 圖像分類

給出打好標(biāo)簽的分類的圖像，進行訓(xùn)練然后這就是圖像分類問題。圖像分類是判別圖中物體是什么，比如是貓還是羊。

1.3.2 目標(biāo)檢測

區(qū)分圖像中的物體并進行定位，一般對所檢測的物體進行矩形框的標(biāo)記，同時標(biāo)注出是什么物體。如圖4所示的檢測則要使用邊界框檢測所給定圖像中的所有羊。

圖4 目標(biāo)檢測示例

1.3.3 語義分割

對圖像進行像素級分類，預(yù)測每個像素屬于的類別，不區(qū)分個體。如圖5所示。

圖5 語義分割示例

1.3.4 實例分割

定位圖中每個物體，并進行像素級標(biāo)注，區(qū)分不同個體。如圖6所示，3只羊都被分割出不同的顏色。

圖6 實例分割示例

2 模型介紹

2.1 用于語義分割的全卷積神經(jīng)網(wǎng)絡(luò)

CNN在卷積、非線性激活和最大池化運算后，將特征圖展開成若干個獨立神經(jīng)元，并通過全連接方式映射為固定長度的特征向量，常應(yīng)用于對整幅圖像分類。與CNN不同，Long等人2015年提出的FCN模型（fully convolutional networks for semantic segmentation），利用特征圖同尺寸卷積運算得到若干個卷積層用來代替CNN網(wǎng)絡(luò)中的全連接層，并采用空間插值和反卷積等上采樣技術(shù)對特征圖進行尺度復(fù)原，最后基于多分類模型進行逐像素預(yù)測，實現(xiàn)端到端語義分割［4］。FCN有三大特點：

（1）接收任意尺寸輸入的全卷積網(wǎng)絡(luò)。全卷積神經(jīng)網(wǎng)絡(luò)把卷積神經(jīng)網(wǎng)絡(luò)中的全連接層使用卷積層來代替。在傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，前面是卷積層，后3層是全連接層，而FCN打破了常規(guī)，把后面的全連接改成卷積，最后輸出和原圖大小相同的圖片。因為所有的層都是卷積層，故稱為全卷積網(wǎng)絡(luò)。為了實現(xiàn)圖像的像素分類，最后將圖片進行分割，輸出應(yīng)為圖片，而全連接層的是將二維的輸入轉(zhuǎn)換為一維，不能變?yōu)槎S圖像。但是FCN將全連接層替換為卷積層就能達到輸出為低分辨率圖像的目的，同時卷積也能學(xué)習(xí)到更深的特征。網(wǎng)絡(luò)結(jié)構(gòu)如圖7所示。

圖7 FCN網(wǎng)絡(luò)結(jié)構(gòu)

（2）圖片上采樣。圖片上采樣利用反卷積把圖像變大，最后放大成和原圖大小相同的圖片（圖8）。上采樣還能提高分辨率，能夠輸出良好的結(jié)果。并確保特征所在區(qū)域的權(quán)重，最后在提高圖像分辨率和原始圖像一致性后，高權(quán)重區(qū)域就是目標(biāo)所在區(qū)域。如圖9中，自行車的圖片，沒有經(jīng)過上采樣的圖像熱圖形狀模糊，識別不出是什么物體，經(jīng)過不斷地反卷積之后圖像特征逐漸明顯，自行車的部分權(quán)重高熱圖顏色深，很好的提升了圖像分辨率保留了特征。

圖8 反卷積填充

圖9 上采樣示例

（3）融合深層粗糙特征和淺層精細(xì)特征的跳躍結(jié)構(gòu)。經(jīng)過卷積池化后的圖像特征丟失會很明顯，為了加強特征的學(xué)習(xí)使得輸出的圖像更加精細(xì)，保留細(xì)節(jié)。FCN具有跳躍結(jié)構(gòu)，如圖10所示。

圖10 FCN跳躍結(jié)構(gòu)

圖像經(jīng)過1次卷積池化過程，長變?yōu)?/2，寬變?yōu)?/2；圖像通過第2次卷積池化過程后，長變?yōu)?/4，寬變?yōu)?/4；圖像通過第3次卷積池化過程后，長變?yōu)?/8，寬變?yōu)?/8，留下第3次的池化后的featuremap；通過第4次卷積池化過程后圖像長變?yōu)?/16，寬變?yōu)?/16，這時留下第4次的池化后的特征圖featuremap；在第5次卷積池化過程后圖像長變?yōu)?/32，寬變?yōu)?/32，F(xiàn)CN-32s是直接經(jīng)過5次卷積池化后通過后幾層卷積得到的分割圖像。FCN-16s是第4次保留的featuremap和第5次的卷積池化后的上采樣疊加的圖像，能恢復(fù)一些細(xì)節(jié)。FCN-8s是第3次保留的featuremap和第4、5次上采樣的圖像再次疊加的放大圖像。此時一些細(xì)節(jié)的特征將保留下來。使用跳級連接結(jié)構(gòu)，從卷積的前幾層中提取的特征圖像，分別與后一層的上采樣層連接，然后再進行上采樣，經(jīng)過多次采樣后，可以得到與原始圖像大小相同的特征圖像，因此在復(fù)原圖像時，可以獲得更多的和原圖一樣的圖像信息。

2.2 殘差網(wǎng)絡(luò)

圖11 殘差網(wǎng)絡(luò)殘差塊

殘差網(wǎng)絡(luò)是由來自Microsoft Research的4位學(xué)者提出的卷積神經(jīng)網(wǎng)絡(luò)，在2015年的ImageNet大規(guī)模視覺識別競賽（imageNet large scale visual recognition challenge，ILSVRC）中獲得了圖像分類和物體識別的優(yōu)勝［5］。殘差網(wǎng)絡(luò)的特點是它有特殊的跳躍結(jié)構(gòu)能幫助學(xué)習(xí)更多的特征，精細(xì)化表述，同時能解決相應(yīng)的網(wǎng)絡(luò)退化梯度消失的問題。一般網(wǎng)絡(luò)，隨著層數(shù)的加深，網(wǎng)絡(luò)會發(fā)生退化，即特征圖像包含的圖像信息會隨層數(shù)的增加而減少，而ResNet的跳躍結(jié)構(gòu)能將之前的層的特征直接映射到后層或者經(jīng)過降維之后疊加到后面的層，從而可以使得模型訓(xùn)練時學(xué)習(xí)更多的特征，刻畫細(xì)節(jié)，最后和原圖一致。

2.3 FCN+Res Net 50模型

為了更好的實現(xiàn)對建筑物的語義分割，本文利用FCN和ResNet50網(wǎng)絡(luò)模型進行訓(xùn)練，網(wǎng)絡(luò)結(jié)構(gòu)如圖12所示。

圖12 FCN+ResNet50模型

Conv2_x層是3個1×1，64、3×3，64、1×1，256的卷積構(gòu)成，Conv3_x層是3個1×1，128、3×3，128、1×1，512的卷積構(gòu)成，Conv4_x層是3個1×1，256、3×3，256、1×1，1024的卷積構(gòu)成，Conv5_x層 是3個1×1，512、3×3，512、1×1，2048的卷積構(gòu)成。

3 數(shù)據(jù)實驗與結(jié)果分析

為了驗證模型的有效性，本文使用航拍的地表建筑數(shù)據(jù)進行訓(xùn)練，圖像分為有建筑與無建筑，訓(xùn)練測試后將圖像分類，有建筑則進行分割圖像。

3.1 數(shù)據(jù)說明

train_mask.csv：存儲圖片的標(biāo)注的rle編碼，run-length encoding，游程編碼或行程是一種不會破壞圖像的無損壓縮的方法。

train文件夾和test文件夾：存儲訓(xùn)練集和測試集圖片，訓(xùn)練集圖片30000張，測試集圖片2500張。

3.2 處理流程

首先對圖片進行預(yù)處理，讀取圖片，進行rle解碼，然后對圖片進行數(shù)據(jù)增廣。數(shù)據(jù)增廣是一種有效的正則化手段，可以防止模型過擬合，在深度學(xué)習(xí)模型的訓(xùn)練過程中被廣泛地運用。數(shù)據(jù)增廣的目的是增加數(shù)據(jù)集中樣本的數(shù)據(jù)量，同時也可以有效增加樣本的語義空間。本文利用albu?mentations對數(shù)據(jù)進行增廣，包括對圖片進行裁剪、翻轉(zhuǎn)、隨機裁剪等操作。劃分好訓(xùn)練集和測試集，接著進行模型訓(xùn)練，設(shè)置EPOCHES=20，BATCH_SIZE=32，IMAGE_SIZE=512，使 用DiceLoss作為損失函數(shù)，每次訓(xùn)練時進行正向傳播，計算損失，反向傳播。

3.3 實驗結(jié)果

在訓(xùn)練過程中，對訓(xùn)練集和驗證集進行了劃分，并利用繪圖工具繪制了精度曲線和損失函數(shù)曲線。最終準(zhǔn)確率為82%。損失率為0.101。如圖13所示。

圖13 準(zhǔn)確率損失率

從圖14預(yù)測結(jié)果看出，驗證FCN+ResNet50網(wǎng)絡(luò)模型用于地表的建筑物的識別是行之有效的。

圖14 預(yù)測結(jié)果

4 結(jié)語

本文講述了FCN+ResNet的網(wǎng)絡(luò)模型進行語義分割的方法，主要是應(yīng)用于航拍的地表建筑識別。介紹了FCN的三大特點，接收任意尺寸輸入的全卷積網(wǎng)絡(luò)；圖片上采樣；融合深層粗略特征和淺層細(xì)節(jié)特征的跳躍結(jié)構(gòu)，ResNet的跳躍結(jié)構(gòu)，以及FCN是如何做到語義分割的原理。同時提出將FCN+ResNet網(wǎng)絡(luò)模型結(jié)合能更好的學(xué)習(xí)深層特征和淺層的精細(xì)特征，最后通實驗進行驗證，利用航拍的地表建筑圖像數(shù)據(jù)集，使用FCN+REsNet50模型進行訓(xùn)練最終得出不錯的效果。因此得出FCN_ResNet網(wǎng)絡(luò)用于航拍的地表建筑識別是行之有效的，其也是語義分割表現(xiàn)不錯的模型。