[dl輪読会]encoder-decoder with atrous separable convolution for semantic image segmentation
TRANSCRIPT
1
DEEP LEARNING JP
[DL Papers]
http://deeplearning.jp/
“Encoder-Decoder with Atrous Separable Convolution forSemantic Image Segmentation”
土居健人, 航空宇宙工学科岩崎研
書誌情報
• 著者
– Googleの研究グループ
– 主著のChen氏はDeepLab, Mobile Netの発案者
• 発表日 2018/02/07
– 現時点でのSemantic Segmentationタスクのstate of the art
• 選定理由
– DeepLab系の論文をまとめる良い機会.
– atrous (dilated) convolutionが他のタスクでも使えそう.
2
発表の流れ
• DeepLab系のネットワークまとめ
– DeepLab v1 & v2• atrous convolution
• atrous spatial pyramid pooling
– DeepLab v3• cascade and parallel of atrous convolution
– DeepLab v3+• effective decoder module
• Xception model
• depthwise convolution
3
DeepLab v1,2
• “DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs”
• v1, v2の違いはベースのアーキテクチャの違い(VGGとResNet)
• この論文のポイントは以下の3つ
– atrous convolution
– atrous spatial pyramid pooling
– CRFによる後処理
4
この2つについて話します
Atrous Convolution
• dilated convolutionとも呼ばれる
• 畳み込み演算を離れたピクセルの値で行う
– 特徴マップを縮小せず受容野を拡大
5“DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs”, L. Chen et al. 2016
Atrous Spatial Pyramid Pooling (ASPP)
• Spatial Pyramid Pooling (SPP)からの着想
• SPPとは
– 一つの特徴マップにいくつかのスケールのPoolingをかける
– 任意のサイズの特徴マップを決まった大きさのベクトルに変形
Atrous Spatial Pyramid Pooling (ASPP)はこれをatrous convolutionで行う
6
“Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition”, K. He et al. 2014
Atrous Spatial Pyramid Pooling (ASPP)
• 異なるatrous convolutionを特徴マップに適用
• 右図では赤いピクセルの特徴量を計算
• ASSPをした後の特徴マップのサイズは任意に設定可能
7
“DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs”, L. Chen et al. 2016
DeepLab v1のアーキテクチャ
• VGG16の全結合層をatrous convolution, ASPP, 1x1 convで置き換え8
“DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs”, L. Chen et al. 2016
DeepLab v3
• “Rethinking Atrous Convolution for Semantic Image Segmentation”
• DeepLab v1, v2との差分
– atrous convolution in cascade (直列)
– atrous convolution in paralell (並列)
• タイトルにもある通り,atrous convolutionを再考し発展させた
9
atrous convolutionの直列, 並列化
• ResNetをさらに深くしていき,stride=2のconcolutionの代わりにatrousconvolutionを重ねた
• この時,atrous convolutionは異なるdilated rateのを並列した 10
L.-C. Chen et al. “Re- thinking atrous convolution for semantic image segmentation.” arXiv:1706.05587, 2017.
DeepLab v3+
• “Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation”
• DeepLabv3+からの差分
– Decoder部分の構造を改良した• これまではbilinearでupsamplingしていた
– Xceptionネットワークの構造を取り入れた
11
Decoderの改良
• Low-Level featureの活用
12
Xceptionモデルの活用
• encoderをXceptionNetに変更• 空間方向とチャネル方向でconvolutionを分けている• stride2のpoolingをdepth-wise convolutionに変更 13
実験結果まとめ
• pascal voc 2012 test setの実験結果
14
“DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs”, L. Chen et al. 2016
まとめ
• DeepLab v1, 2
– atrous convolution
– atrous spatial pyramid pooling
• DeepLab v3
– atrous convolution in cascade
– atrous convolution in parallel
• DeepLab v3+
– decoder部分でlow-level featureの活用
– Xceptionをencoderとして活用
15
参考文献
• “Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation”, L. Chen et al. 2018
• “DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs”, L. Chen et al. 2016
• “Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition”, K. He et al. 2014
• F. Chollet. Xception: Deep learning with depthwise separable convolutions. In CVPR, 2017.
16