宋 宇，王小瑀，梁 超，程 超

(長春工業(yè)大學(xué) 計算機科學(xué)與工程學(xué)院，吉林 長春 130012)

1 概 述

近年來，對于無人駕駛視覺感知系統(tǒng)，大多使用語義分割技術(shù)來處理感知到的物體。因此語義分割在無人駕駛領(lǐng)域有著極其重要的作用。由于無人駕駛的特殊性，使其不僅對語義分割網(wǎng)絡(luò)的準確度有要求，對實時性的需求也非常迫切。

Long等人提出了最原始的語義分割網(wǎng)絡(luò)FCN。繼FCN之后應(yīng)用于無人駕駛的語義分割算法總體來說可以分為兩大類：第一類是基于編碼器-解碼器結(jié)構(gòu)的網(wǎng)絡(luò)，例如Ronneberger等人提出的Unet網(wǎng)絡(luò)，在進行少類別分割任務(wù)時速度快、精確高。但是當分割類別增多，網(wǎng)絡(luò)分割速度將大幅度降低；劍橋大學(xué)提出的SegNet，網(wǎng)絡(luò)中采用最大池化索引指導(dǎo)上采樣存在特征圖稀疏問題，進而導(dǎo)致算法雖然達到了實時分割速度，但分割精度低；Paszke等人提出的Enet網(wǎng)絡(luò)通過減少神經(jīng)元權(quán)重數(shù)量以及網(wǎng)絡(luò)體積使得網(wǎng)絡(luò)可以達到實時分割的要求，但是算法的擬合能力弱導(dǎo)致分割精度較低。第二類是基于上下文信息的網(wǎng)絡(luò)，例如Zhao H等人提出的PSPNet網(wǎng)絡(luò)，通過引入更多上下文信息提高了網(wǎng)絡(luò)的場景解析能力，但是由于多次下采樣操作導(dǎo)致特征圖丟失大部分空間信息。針對這個問題，Zhang H等人提出了EncNet，但是由于采用Resnet101網(wǎng)絡(luò)作為主干，參數(shù)量龐大，網(wǎng)絡(luò)實時性較差；Chen等人提出的DeepLab網(wǎng)絡(luò)，引入了空洞卷積來保持感受野不變。并且后續(xù)又提出了DeepLab v2以及DeepLab v3+網(wǎng)絡(luò)，其中DeepLab v3+結(jié)合了兩大類網(wǎng)絡(luò)的優(yōu)點，使用DeepLab v3作為編碼器并且在最終特征圖的頂部采用了空洞金字塔池化模塊(atrous convolution spatial pyramid pooling，ASPP)，在避免下采樣操作的同時獲取了多感受野信息。但是網(wǎng)絡(luò)在分割速度方面存在不足，主要是因為引入空洞卷積帶來了大量的計算復(fù)雜度和內(nèi)存占用。以Restnet-101為例，空洞卷積的引用使得其中23個殘差模塊，需要占用4倍的計算資源和內(nèi)存，最后3個殘差模塊需要占用16倍以上的資源。

針對以上各種網(wǎng)絡(luò)無法同時兼顧準確度以及實時性的問題，該文提出了一種實時語義分割網(wǎng)絡(luò)，采用參數(shù)量較少的輕量卷積網(wǎng)絡(luò)FCN8s代替DeepLab v3+中的ResNet101作為網(wǎng)絡(luò)的主干。文中算法主干與DeepLab v3+的區(qū)別在于最后兩個卷積階段。以第四個卷積階段(Conv4)為例。在DeepLab v3+中首先對輸入圖片進行卷積處理，然后再進行一系列的空洞卷積處理。不同的是，文中方法首先使用跨步卷積來處理輸入的特征圖，然后使用幾個常規(guī)卷積來生成輸出特征圖。并且使用多級特征圖聯(lián)合上采樣模塊(multi-scale feature map joint pyramid upsamping，MJPU)來代替DeepLab v3+中耗時、耗內(nèi)存的空洞卷積，大大減少了整個分割框架的計算時間和內(nèi)存占用。最重要的是，MJPU在大幅度減少運算量的同時，不會造成性能上的損失，讓算法應(yīng)用在無人駕駛實時語義分割場景中變得可行。

2 文中算法

為了獲得高分辨率的最終特征圖，DeepLab網(wǎng)絡(luò)中的方法是將FCN最后兩個下采樣操作刪除，這兩個操作由于擴大了特征圖的感受野而帶來了大量的計算復(fù)雜度以及內(nèi)存占用量。該文的目標是尋找一種替代方法來近似最終的特征圖。

為了實現(xiàn)這一目標，首先將所有被DeepLab v3+刪除的跨步卷積全部復(fù)原，之后用普通的卷積層替換掉空洞卷積。如圖1所示，文中方法主干與原始的FCN相同，其中五個特征圖(Conv1-Conv5)的空間分辨率逐漸降低2倍。

圖1 網(wǎng)絡(luò)執(zhí)行流程

為了得到與DeepLab v3+相似的特征圖，提出了一個新的模塊，叫做多級特征圖聯(lián)合上采樣模塊(MJPU)，它以編碼器最后三個特征圖(Conv3-Conv5)為輸入，然后使用一個改進的多尺度上下文模塊(ASPP)來產(chǎn)生最終的預(yù)測結(jié)果。在算法執(zhí)行過程中，輸入圖片的格式為

H

×

W

×3，經(jīng)過文中設(shè)計的編碼器網(wǎng)絡(luò)，編碼器網(wǎng)絡(luò)由輕量級網(wǎng)絡(luò)構(gòu)成，可以減少算法在編碼階段的計算時間；其次使用MJPU模塊來生成一個特征圖，該特征圖的作用類似于Deeplab v3+主干網(wǎng)絡(luò)中最后一個特征圖的激活作用。MJPU的使用避免了DeepLab v3+中參數(shù)量龐大的空洞金字塔池化網(wǎng)絡(luò)與高分辨率的最終特征圖做卷積運算而大幅度降低了分割速度。MJPU模塊是該文可以大幅度增加實時性的重要因素。最后網(wǎng)絡(luò)經(jīng)過ASPP獲取不同大小的感受野信息，增加網(wǎng)絡(luò)對不同尺度物體的分割能力，提升算法的分割精度。下面將詳細介紹替換空洞卷積的方法以及多級特征圖聯(lián)合上采樣模塊的結(jié)構(gòu)。

2.1 空洞卷積的替代

跨步卷積被用來將輸入特征轉(zhuǎn)化為空間分辨率更低的輸出特征，這相當于圖2(b)所示的兩個步驟；(1)對輸入特征

f

做普通卷積，得到中間特征

f

；(2)刪除索引為奇數(shù)的元素，得到

f

。

圖2 一維空洞卷積與跨步卷積示意圖

形式上，給定輸入特征圖的

x

，DeepLab v3+網(wǎng)絡(luò)中得到輸出特征圖的

y

如下：

(1)

而在文中方法中，生成的輸出特征圖

y

如下：

(2)

其中，

C

代表普通卷積，

C

代表空洞卷積，

C

代表跨步卷積。

S

、

M

、

R

分別代表圖2中的分離、合并、刪除操作。相鄰的

S

和

M

操作是可以相互抵消的。為了簡單起見，上述兩個方程中的卷積是一維的，對于二維卷積可以得到類似的結(jié)果。

2.2 多級特征圖聯(lián)合上采樣模塊

(3)

其中，

H

是所有可能的變換函數(shù)集合，‖.‖是一個給定的距離度量。

(4)

根據(jù)上述分析，設(shè)計了如圖3所示的MJPU模塊。

圖3 MJPU模塊

圖4 深度可分率卷積作用示意圖

3 實驗與分析

3.1 評價指標

實驗主要是在準確率以及速度兩方面對網(wǎng)絡(luò)進行了評價。在準確率方面使用的是像素精度(PixAcc)以及平均交并比(mIoU)作為評價指標。在速度方面則使用的是每秒處理幀數(shù)(FPS)作為評價指標。

PixAcc是語義分割中正確分割像素占全部像素的比值，而mIoU指的是真實分割與預(yù)測分割之間重合的比例，其計算公式如下：

(5)

式中，

k

表示類別數(shù)量，文中為34類。

TP

表示正類判斷為正類的數(shù)量，

FP

表示負類判斷為正類的數(shù)量，

FN

表示正類判斷為負類的數(shù)量。

FPS作為常見的測量網(wǎng)絡(luò)速度的評價指標，計算公式如下：

(6)

其中，

N

表示處理圖像數(shù)量，

T

表示處理第

j

張圖像所用的時間。

3.2 實驗環(huán)境

語義分割模型使用TensorFlow2.0深度學(xué)習(xí)網(wǎng)絡(luò)框架搭建，在訓(xùn)練和測試階段的服務(wù)器配置均具有英特爾 Core i9-9900K 5.0 GHz的CPU、32 G DDR4 2 666 MHz的內(nèi)存和RTX-2080TI(具有11 GB顯存)的GPU，并且基于Window10的操作系統(tǒng)，在CUDA10.0架構(gòu)平臺上進行并行計算，并調(diào)用CuDNN7.6.5進行加速運算。

在訓(xùn)練過程中網(wǎng)絡(luò)采用Adam優(yōu)化器，初始學(xué)習(xí)率是0.001，學(xué)習(xí)率策略為逆時間衰減策略，權(quán)重衰減使用L2正則化。其中decay_steps=74 300、decay_rate=0.5，代表每過100個epoch，學(xué)習(xí)率衰減為原來的三分之二。圖5是網(wǎng)絡(luò)應(yīng)用此種學(xué)習(xí)策略的loss值衰減曲線?？梢郧宄闯瞿鏁r間衰減策略可以使模型在較少的epoch次數(shù)內(nèi)達到全局最優(yōu)。

圖5 網(wǎng)絡(luò)訓(xùn)練過程中l(wèi)oss值展示

3.3 數(shù)據(jù)集

文中選擇的無人駕駛數(shù)據(jù)集為國際公開的由奔馳公司推動發(fā)布的數(shù)據(jù)集Cityscapes。Cityscapes是在無人駕駛環(huán)境語義分割中使用最廣泛的一個數(shù)據(jù)集。它包含了50個城市的不同場景、背景、季節(jié)的街景圖片，具有5 000張精細標注的圖像、20 000張粗標注的圖像。在實驗過程中，文中只使用了5 000張精細標注的圖像，將其劃分為訓(xùn)練集、驗證集和測試集。分別2 975張、500張、1 525張圖像，并且使用了全部34類物體作為分割對象。由于原有圖像分辨率為2 048×1 024，分辨率過高導(dǎo)致硬件無法進行大批量訓(xùn)練，因此對圖像進行縮放并裁剪成512×512大小。

3.4 實驗結(jié)果分析

為了驗證該網(wǎng)絡(luò)的分割性能，選取了六種網(wǎng)絡(luò)與文中算法做對比，選取的網(wǎng)絡(luò)分別為Unet、SegNet、ENet、PSPNet、EncNet、DeepLab v3+。算法性能對比見表1。

表1 各算法在Cityscapes數(shù)據(jù)集(val)上的不同評估指標對比

首先與表1中的前三種輕量級網(wǎng)絡(luò)進行對比，文中網(wǎng)絡(luò)的mIoU分別高出6.72%、10.03%和13.32%，PixAcc也有平均5%以上的提升。在網(wǎng)絡(luò)實時性方面雖然略低于Enet，但這是由于Enet通過減少神經(jīng)元權(quán)重數(shù)量的結(jié)果，雖然Enet的實時性較好但是算法嚴重非線性，網(wǎng)絡(luò)分割精度較低。而對比以分割精度為主要指標的PSPNet、EnecNet和DeepLab v3+，由于文中主干網(wǎng)絡(luò)采用的是輕量級網(wǎng)絡(luò)，導(dǎo)致網(wǎng)絡(luò)精確度略微落后，但是在分割速度方面最多高出200%。

圖6展示了不同算法的分割結(jié)果。從圖6中可以看出，文中算法對樓房、道路、樹、汽車、天空等都具有較好的分割效果，對于這些大物體該網(wǎng)絡(luò)均未產(chǎn)生分類錯誤區(qū)域；從圖中還可以看出該網(wǎng)絡(luò)對路燈等桿狀物體以及遠處車輛等小目標分割效果良好，這主要受益于所提出的MJPU模塊結(jié)合了多層特征圖的語義信息。

圖6 不同算法在Cityscapes數(shù)據(jù)集上語義分割效果

3.5 網(wǎng)絡(luò)結(jié)構(gòu)分析

為了進一步驗證MJPU的有效性，該文將其與經(jīng)典的雙線性插值上采樣和特征金字塔網(wǎng)絡(luò)(FPN)進行了對比實驗。使用FPS作為評價指標，在GPU上以512×512圖像作為輸入進行測量。結(jié)果如表2和表3所示。對于ResNet-50，文中方法的測試速度大約是Encoding結(jié)構(gòu)(EncNet)的兩倍。當主干更改為ResNet101時，文中方法的檢測速度比Encoding結(jié)構(gòu)的快三倍以上。并且可以由圖看出文中方法的檢測速度可以和FPN相媲美。但是對于FPN來講，MJPU模塊可以獲得更好的性能。因此對于DeepLabv3+(ASPP)和PSP，文中提出的模塊可以在提高性能的同時，對網(wǎng)絡(luò)進行一定程度的加速。

表2 Resnet-50中不同上采樣方式計算復(fù)雜度對比

表3 Resnet-101中不同上采樣方式計算復(fù)雜度對比

4 結(jié)束語

為了使語義分割網(wǎng)絡(luò)更加滿足無人駕駛實時分割任務(wù)的需求，提出了一種新的實時語義分割網(wǎng)絡(luò)。首先，采用了一種輕量級的卷積神經(jīng)網(wǎng)絡(luò)作為編碼器。并且分析了空洞卷積和跨步卷積的區(qū)別和聯(lián)系，使用跨步卷積和普通卷積的組合代替了耗時、耗內(nèi)存的空洞卷積。在此基礎(chǔ)上，將高分辨率特征圖的提取問題轉(zhuǎn)化為一種聯(lián)合上采樣問題，提出了一種新的多級特征圖聯(lián)合上采樣模塊，通過該模塊可以在獲得近似與DeepLab v3+相似的特征圖的前提下，將網(wǎng)絡(luò)計算復(fù)雜度最多降低三倍以上。通過在Cityscapes數(shù)據(jù)集上的實驗表明(mIou=43.78%，F(xiàn)PS=32.3)，所提出的實時分割算法在大幅度降低計算復(fù)雜度的同時，取得了較好的分割效果。從而使該網(wǎng)絡(luò)更加適合應(yīng)用于無人駕駛場景當中。