学习内容来源于网络
原创见 微信公众号： 有三AI https://mp.weixin.qq.com/s/USOWECXk_az4b6eTssfOBw
基于弱监督深度学习的图像分割方法
本文主要介绍基于深度学习的图像分割方法，即语义分割、实例分割和全景分割。
1 基础概念
生活中，我们和周围的事物都是有“标签”的，比如人、杯子、天空等等。在不同的场景下，相同的事物可能对应了不同的标签，比如长在地上的一片小草称为“草地”，长在花盆里的很可能属于“盆栽”，画在画中的又属于“装饰”。
如果把整幅图像比作我们生活的世界，那么具有相同“标签”的像素就组成了我们和周围的事物。图像分割的任务就是给这些像素标注它们所对应的“标签”，而这个标签通常取决于这个像素所属于的“整体”的类别。比如上图中就被分割成了天空、植被、草地和大象。
当然，与生活中相似，根据分类方式的不同，一个像素可能属于多种类别。比如下图中组成椅子的像素，按照整体应标注为“椅子”，细分下又属于“椅背”，按照材料分又属于“木头”。
根据方法和任务的不同，图像分割可以分成很多类。比如在只关心图像主要内容的时候，类别可能只有两类：前景（关心的内容）和背景（除前景之外的其他部分，即不关心的内容）。或者只关心可数的目标，比如行人、自行车、杯子等；或只关心不可数目标，比如天空、草地、海洋等。由此，给出了下面两种可能的分类方式：
按模型分类：根据实现分割的手段，图像分割可以大致分为传统方法与基于深度学习的方法。前者依靠纯数学公式推导实现分割，而后者则依靠深度学习结构（如神经网络、随机树等）实现分割。
按任务分类：根据图像分割的具体任务，又可以将其分为语义分割（semantic segmentation）、实例分割（instance segmentation）与全景分割（panoptic segmentation）。
如上图所示，语义分割是比较容易的一种，其要求的是对所有像素点进行类别标注，比如天空、车、杯子等，但是不区分相同类别的个体，即所有属于“杯子”的像素点都被标注成相同的标签。而实例分割比语义分割困难一些，其不仅要求要标注像素点，还要区分相同类别的不同实例，比如“这个杯子”和“那个杯子”。
但是实例分割受限其要求，通常都是对可数的物体进行分割，而在不可数内容上（比如草地、马路等），要么没有分割，要么属于一个类别。当其将属于某一个不可数类别的像素点都标注成相同标签，而所有属于可数类别的像素点按实例标注时，就成为了所谓的全景分割（如下图所示）。
2 为什么要弱监督学习
如前所述，图像分割的任务是对每个像素都进行标注。因此，在深度学习方法中，直观上就需要所有的像素都有真值标注。不难看出，在这个要求下，真值标注的生成是极度耗时耗力的，尤其是以人工标注的方式。比如，CityScapes数据库，在精标条件下，一张图片的标注就需要1.5个小时。如此一来，数据库标注的成本可想而知。基于此，许多研究人员就想到用弱监督的方式进行网络训练，从而降低标注成本。
所谓弱监督，就是用更容易获得的真值标注替代逐像素的真值标注，常见的输入有image-level tags和bounding boxes，下图给出的是这两种标注的示例：
image-level tag：一张图片对应一个标签。如上图，标签为“猫”。
bounding box：即用一个矩形框（2D）或长方体（3D）给出目标存在的位置及标签。
由此可见，这两种标注的获得比逐个像素标注容易很多。具体来说，一个bounding box的标注只需要7秒，而一个image-level tag的标注只需要1秒，按照这种方式，CityScapes数据库的标注时间将缩短30倍。
在弱监督算法中，有的网络是直接利用这些标注作为输入；也有的网络是在这些标注的基础上生成部分像素点的标注，再进行全监督训练。但无论哪种方式，都可见直接降低了标注成本。
3 常用的弱监督分割算法
以上描述了基本概念，接下来从输入的角度梳理常用的弱监督分割算法。在分割任务中，常用的分割网络有AlexNet、VGG、GoogleNet、ResNet和ReNet等，且通常借助迁移学习和必要的数据处理及扩张实现较好的分割。这些方法和结构在弱监督分割算法中也非常常见。具体而言，分割任务中常用的方法有译码器（decoder）的变体；整合上下文信息的方法，如条件随机场、扩张卷积、多尺度估计、特征融合等。
下图就是一个典型的编码器-解码器结构：
考虑到关于分割算法的综述较多，本文着重介绍弱监督分割算法中特殊的处理方法。针对不同任务需求，每种输入下的算法都按照语义分割、实例分割进行归纳（前景分割被归入语义分割中）；而全景分割要同时完成两种分割任务，因此单独列出来。总体上，目前弱监督的语义分割研究成果比较多，但是实例分割与全景分割则相对较少。由于论文数量庞大，这里每种场景仅列出一篇有代表性的论文作为范例。
1. 基于image-level tags的分割算法
Image-level tags已经在前文给出了示例，可以看出这一种标注中主要包含的是相同类别之间的共性，但无法区分实例（比如所有的车都会被标注成“车”，而不会区分颜色、形状、大小、牌子等等）。因此基于image-level tags的算法大多用于语义分割，或是具有语义分割功能的实例分割或全景分割算法。下面就按照分类介绍部分基于image-level tags的深度学习分割算法。
(1)《Built-in Foreground/Background Prior for Weakly-Supervised Semantic Segmentation》
文中提出的方法，是利用目标标签作为语义分割训练的先验，从而实现更高精度的分割效果。为了实现这个目的，这个方法中构建了一个预训练网络，其作用是给出前景像素点信息，而忽略背景信息。
下图是具体的网络结构。给定输入图像，网络经过了一个典型的编码器-解码器结构，随后通过一个条件随机场（CRF）生成最后的mask。整个网络的训练只需要image-level tags就可以。
带有内置前背景先验的弱监督网络结构
上图是编码器-解码器神经网络部分的完整结构，该网络结构是从VGG-16网络结构而来的，感受野128，步长8。
(2)《Exploiting saliency for object segmentation from image level labels》
此前的研究已经证明，可以从image-level labels中提取不同目标的信息（如下图所示）。
热度图（heatmap）
从上面的热度图也可以看出，如果目标之间存在遮挡，那么在没有额外信息的情况下，获取完整的目标就很困难了（固有的不适定问题）。出于这个考虑，文中提出了一个可以提供辅助信息的模型。整个网络的训练只用到了image-level labels和saliency masks，下图是标注和论文结果。
下图是具体的网络结构，可以看出，辅助信息与分割网络是并行的，共同用于计算最后的损失。
2.基于bounding boxes的分割算法
Bounding boxes是目标识别中常用的一种标注方式。现在许多算法已经能够实现很高精度的bounding boxes检测效果，因此，COCO Challenge等许多比赛已经取消了bounding boxes为输出的部分，进而更多关注于像素级的分割任务。尽管如此，bounding boxes作为一种能够有效区分不同实例的标注方式，既包含了语义信息，也包含了实例信息。因此，bounding boxes被广泛应用于分割任务中，尤其是实例分割与全景分割。
(1) 语义分割
《Image Segmentation with A Bounding Box Prior》
作为一个基准，微软2009年提出的一种基于传统手段的前景分割方法。在此之前，尽管bounding box被广泛利用与图像分割任务中，但是大多数算法只是用其排除外部信息或有时用于初始化能量函数。文中提出bounding box可以作为一种强大的拓扑先验（topological prior），既可以防止模型过度萎缩（分割小于前景目标的区域），也可以确保bounding box就足够用于分割任务了。论文用包含在全局能量最小化框架内的强约束表达此先验，从而构造一个NP-hard的完整程序。
下图左边是没有先验的分割结果，右边是有先验的分割结果。
下面的公式是将tightness prior融入图割（gruph cut framework）而得到的integer program（IP）:
文中还介绍了一种可能的优化策略，包括linear relaxation和一种新的graph cut算法（称作pinpointing）。后者既可以作为fractional LP solution的舍入法（rounding method，效果比阈值方法好），也可以作为独立的快速启发式搜索（fast standalone heuristic），下图是pinpointing的结果：
下图是文中的算法与其他算法的实验结果比较，可以看出，在人的头部附近和植物枝干附近，文中的算法具有明显优势。
(2) 实例分割
《DeepCut: Object Segmentation from Bounding Box Annotations using Convolutional Neural Networks》
文中提出了一种给定弱标注的实例分割方法。将微软研究院提出的迭代图割-GrabCut进行扩展，可以实现给定bounding boxes的神经网络分类器训练。该文将分类问题视为在稠密连接的条件随机场下的能量最小化问题，并通过不断迭代实现实例分割。
文中还提出了一些DeepCut方法的变体，并将它们与其它算法在弱监督条件下进行了比较。值得注意的是，该算法在解决大脑和肺的两个问题上已经得到了实验，精度还不错（使用的数据库是fetal magnetric resonance dataset）。下图是基本的DeepCut网络结构：
下图是实验结果：
3. 全景分割
《Weakly and Semi-Supervised Panoptic Segmentation》2018
文章介绍了一种基于弱监督的全景分割（实例分割加语义分割）的网络结构，目前在CityScapes上面语义分割与实例分割效果都是第一。文中其实主要提出的是一种可以通过image-level tags和bounding boxes生成像素点标注的方法，当然这个方法无法标注全部的像素点的真值，但是按照前文所提到的理论，这些像素点的个数已经足够支撑网络的训练。同时，真值会随着网络结构的不断训练，逐渐完善，下图是真值标注的完善过程：
论文，结果示例：
4 总结一下
本文了解了什么是图像分割及其种类，什么是图像分割中的弱监督训练，以及常用的方法。简而言之，弱监督训练就是用更少、更容易获得的真值标注，替代逐像素的真值标注，从而在降低标注成本的基础上，维持较高水平的分割。随着分割领域的技术的不断发展，语义分割与实例分割逐渐融合，全景分割正在成为新的主流趋势。
原文地址：https://www.cnblogs.com/jeshy/p/10583324.html