張靜怡

（四川大學(xué)電子信息學(xué)院，成都 610065）

0 引言

隨著RGBD傳感器的迅速發(fā)展，深度圖數(shù)據(jù)的獲取變得越來越容易了。深度圖信息具有3D圖像的幾何信息，能夠映射真實世界中的物體，因此可以作為具有色彩和紋理的RGB圖像的補(bǔ)充。然而，如何利用深度圖信息并且將其融入到其他信息流，仍是沒有解決的問題。

早期的研究試圖使用雙通路網(wǎng)絡(luò)，分別提取RGB和深度圖的特征，然后在最后一層融合它們，再取得分割結(jié)果。這種晚期融合的策略融合兩個模態(tài)的時機(jī)太晚，導(dǎo)致RGB分支不能在早期階段取得它所需要的幾何信息作為引導(dǎo)。后來，研究者設(shè)法在多個階段將深度圖特征融入到RGB分支中，具體做法是在編碼器網(wǎng)絡(luò)的多個階段，將深度圖特征加到RGB分支。實驗表明，這種策略使得幾何信息被更早、更有效地利用，可以提高語義分割的精度。

然而，現(xiàn)有研究中的融合模塊普遍采用對稱融合方式，諸如按元素相加或者特征圖堆疊等，這種以同等方式處理深度圖和RGB彩色圖像的方式，存在兩個問題。第一，由于采樣設(shè)備精度的原因，原始深度圖中含有大量噪聲，直接利用將會帶來不精確性，產(chǎn)生的負(fù)面影響將抵消引入深度圖帶來的積極影響。第二，顯而易見，深度圖和RGB彩色圖像的信息差異性很大，對語義分割的貢獻(xiàn)也有主次之分，采用對稱融合的方式會融入過多深度圖中的信息，盡管它對語義分割僅有輔助作用。

另外，在語義分割領(lǐng)域，人們開始關(guān)注上下文信息的利用。上下文信息有全局上下文、多尺度上下文，還有將特征圖像素之間的關(guān)聯(lián)信息充分利用的關(guān)聯(lián)上下文。全局上下文的提取主要是通過類似全局池化的全局操作，將特征圖的大小壓縮，得到一個表征全局信息的特征。這種信息對于圖片級的任務(wù)——如圖片分類——可以提升語義判別能力，然而，對于像語義分割這種像素級的任務(wù)，全局信息不一定對所有像素都適用，因此，還需使用更細(xì)粒度的信息。后來，研究者通過池化操作將特征圖轉(zhuǎn)換到不同尺度，分別進(jìn)行操作，再進(jìn)行合成，這種做法保留了全局上下文優(yōu)勢的同時，融合了更多空間細(xì)節(jié)，更適用于語義分割任務(wù)。而這些研究中，雖然融合上下文有助于提取語義信息，但是無法獲取不同位置之間的關(guān)聯(lián)信息。較新研究中，基于自注意力機(jī)制來捕獲空間維度和通道維度的特征依賴關(guān)系，可以捕獲特征圖在任意兩個位置之間的空間依賴關(guān)系，然后通過加權(quán)和來對所有位置的特征進(jìn)行更新。實驗證明，這種關(guān)聯(lián)上下文自適應(yīng)地利用并加強(qiáng)了相似特征，對語義分割效果有明顯的提升。

而現(xiàn)有的關(guān)聯(lián)上下文的提取方法，雖然充分利用了逐點特征間的依賴關(guān)系，但是頻繁進(jìn)行高維矩陣乘法消耗大量資源。相鄰像素之間的特征往往是相似的，沒必要提取每兩點之間的關(guān)聯(lián)性。

針對上述問題，本文提出了基于非對稱融合的關(guān)聯(lián)上下文網(wǎng)絡(luò)。其中，非對稱融合模塊考慮了深度圖和RGB圖像的差異性，深度圖的噪聲信號被過濾后，再與RGB特征圖融合。而關(guān)聯(lián)上下文模塊在自注意力機(jī)制的思想的基礎(chǔ)上，將特征圖壓縮成塊，選擇性地聚合具有相似特征的塊，提取了區(qū)域與區(qū)域之間的依賴關(guān)系，在增加少量復(fù)雜度的前提下，顯著提高語義分割準(zhǔn)確性。

1 算法實現(xiàn)

本文提出的用于RGBD圖像分割的網(wǎng)絡(luò)——基于非對稱融合的關(guān)聯(lián)上下文網(wǎng)絡(luò)（asymmetric fusion and associated context network，

AFACNet）結(jié)構(gòu)如圖1所示。該結(jié)構(gòu)受到由Swift?Net改進(jìn)并融入深度圖的ESANet的啟發(fā)——整體網(wǎng)絡(luò)結(jié)構(gòu)由經(jīng)過預(yù)訓(xùn)練的編碼器ResNet34主干網(wǎng)絡(luò)、多次降采樣、編碼器解碼器之間的用于提取上下文的模塊、有由編碼器部分跳躍連接的解碼器，以及最后的上采樣組成。其中，AFACNet使用兩個編碼器，分別編碼RGB彩色圖像和深度圖。深度圖編碼器用來提取幾何信息，并在編碼器的多個階段使用非對稱融合模塊（asymmetric fusion module，AFM）將特征融入到RGB編碼器中。解碼器模塊（decoder module，DM）由若干卷積和上采樣組合而成，在每個DM的模塊使用按元素相加操作融入來自編碼器的特征。在編碼器和解碼器之間，有一個用于提取關(guān)聯(lián)上下文的上下文模塊（context module，CM），可以獲取區(qū)域之間的依賴關(guān)系，更好地組織語義信息。最后，在網(wǎng)絡(luò)的末端將特征圖映射成要判別的類別，再通過上采樣操作將輸出轉(zhuǎn)換成與網(wǎng)絡(luò)輸入分辨率相同的圖像。

下面，將對網(wǎng)絡(luò)的每個結(jié)構(gòu)的細(xì)節(jié)展開討論。圖1（下）展示了網(wǎng)絡(luò)模塊的具體結(jié)構(gòu)。

圖1 AFACNet網(wǎng)絡(luò)整體結(jié)構(gòu)（上）及模塊具體結(jié)構(gòu)（下）

1.1 編碼器

RGB圖像和深度圖都使用了殘差網(wǎng)絡(luò)（ResNet）作為主干網(wǎng)絡(luò)。隨著網(wǎng)絡(luò)結(jié)構(gòu)的加深，梯度消失和梯度爆炸等問題隨之產(chǎn)生，而ResNet的提出，使用殘差連接的方式解決了上述的退化問題。另外，輸入通過跨層鏈接，能更快地向前傳播數(shù)據(jù)，或者向后傳播梯度。共有五種ResNet網(wǎng)絡(luò)，分別為ResNet18、ResNet34、ResNet50、ResNet101和ResNet152。它們的結(jié)構(gòu)大致相同，差異主要表現(xiàn)在網(wǎng)絡(luò)深度上。隨著網(wǎng)絡(luò)深度加深，參數(shù)也會隨之增加，為了減少網(wǎng)絡(luò)參數(shù)從而增加訓(xùn)練速度，在較深的ResNet結(jié)構(gòu)（ResNet50及更深的網(wǎng)絡(luò)）中采用了瓶頸結(jié)構(gòu)，壓縮模型的同時卻對精度損失不大。為了權(quán)衡模型參數(shù)和分割準(zhǔn)確性，實驗中使用了ResNet34和ResNet50作為主干網(wǎng)絡(luò)。

1.2 解碼器

網(wǎng)絡(luò)的解碼器采用了ESANet中提出的解碼器結(jié)構(gòu)，每個DM由一個卷積層、若干個堆疊的Non-bt-1D（Non-Bottleneck-1D-block）模 塊、上采樣堆疊而成，然后由按元素相加操作融入來自編碼器的特征。實驗表明，采用Non-bt-1D模塊取代傳統(tǒng)的帶有殘差連接的卷積模塊，不僅可以壓縮模型，還可以提高網(wǎng)絡(luò)的精度。

1.3 RGBD非對稱融合

AFM由鏈?zhǔn)綒埐畛鼗–hained Residual Pooling,CRP）和對稱融合模塊（Fusion Module,FM）兩部分組成。深度圖先經(jīng)過CRP處理，再與RGB特征圖一起輸入FM進(jìn)行融合。其中，CRP模塊由多個堆疊的池化、卷積操作組合而成，并由殘差塊相連。經(jīng)過池化的深度圖，在一定程度上過濾掉了噪聲信號，又有殘差連接與沒經(jīng)過過濾的深度圖融合，使網(wǎng)絡(luò)自適應(yīng)地選擇過濾或者保留原始的深度圖。這種非對稱融合的方式，考慮了深度圖與RGB特征的差異性，而由于池化操作的存在，減弱深度圖對網(wǎng)絡(luò)預(yù)測的影響，突出其作為輔助信息的地位，使得兩種模態(tài)的信息得到更合理的利用和整合。

1.4 關(guān)聯(lián)上下文模塊

CM由三個分支組成。在第一個分支中，代表經(jīng)過卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural net?work，CNN）編碼器處理后得到的特征圖。經(jīng)過全連接層（Fully Connected Layer，F(xiàn)C）生成大小不變而通道數(shù)為的特征圖，同時，通過自適應(yīng)池化操作生成大小被壓縮為×而通道數(shù)為的特征圖。在第一個分支中，()代表全局信息，是由通過全局平均池化操作得到的。與全局信息()通過殘差連接，然后經(jīng)過矩陣變維，生成大小為×的特征圖，其中，=×。在第二、三個分支中的操作是類似的，首先將輸入FC層，分別生成和，然后將和進(jìn)行矩陣變維得到和。下面，對、和進(jìn)行自注意力（Attention）操作，得到大小為×的特征圖。公式（1）如下所示：

其中，和的點乘表示和的相似程度，但是它不是歸一化的，因此需要使用softmax()操作進(jìn)行歸一化，得到的矩陣數(shù)值在0~1之間，產(chǎn)生注意力圖。而表示輸入特征圖線性變換后的特征，將注意力圖作用于上，即可得到過濾后的的特征圖。最后，將×的特征圖進(jìn)行矩陣變維，復(fù)原為大小為××的特征圖，與該模塊的輸入具有相同的大小。

2 實驗

本文在常用的RGBD室內(nèi)數(shù)據(jù)集NYUv2上做了實驗，與現(xiàn)有其他RGBD語義分割方法比較，并且進(jìn)行了消融實驗來驗證網(wǎng)絡(luò)中提出的模塊的有效性。

2.1 實驗細(xì)節(jié)及數(shù)據(jù)集

實驗采用了PyTorch深度學(xué)習(xí)框架，迭代次數(shù)為500次，批大?。╞atch-size）為8，使用的優(yōu)化器是SGD優(yōu)化器。同時，采用了PyTorch單周期學(xué)習(xí)率調(diào)度程序來自動調(diào)整學(xué)習(xí)率。為了增加實驗數(shù)據(jù)，采取了隨機(jī)放縮、切割和反轉(zhuǎn)等數(shù)據(jù)增強(qiáng)的方式。另外，在訓(xùn)練時加載了ResNet的預(yù)訓(xùn)練模型，來提升模型訓(xùn)練的速度。網(wǎng)絡(luò)輸入圖片的分辨率使用的是640×480，由于32倍降采樣，輸入CM的特征圖大小為20×15，CM中自適應(yīng)池化大小為5×5。

NYUv2數(shù)據(jù)集：NYUv2包含了1449張室內(nèi)RGBD圖像，其中795張用于訓(xùn)練，而654中用于測試。實驗中使用了40類標(biāo)簽的設(shè)置。

2.2 實驗結(jié)果

實驗主干網(wǎng)絡(luò)采用ResNet50，與其他在NYUv2數(shù)據(jù)集上的RGBD語義分割的網(wǎng)絡(luò)相對比，結(jié)果如表1所示。

表1 實驗結(jié)果對比

其中，表格中的Res是ResNet的縮寫。

由表1可見，本文采用的主干網(wǎng)絡(luò)參數(shù)量較小，但是同樣可以取得有競爭力的效果。由此可見，為了提升網(wǎng)絡(luò)的性能，不能一味地增加網(wǎng)絡(luò)的深度；好的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計可以在不大量增加模型參數(shù)的前提下提高語義分割的效果。

2.3 消融實驗

我們基于ResNet34和ResNet50主干網(wǎng)絡(luò)分別做了消融實驗。表2展示了網(wǎng)絡(luò)結(jié)構(gòu)中AFM和CM兩個模塊的消融實驗的結(jié)果。其中，基本網(wǎng)絡(luò)將AFM替換為普通的按元素相加的融合操作，并且去掉了CM。

表2 消融實驗

對于AFM，在ResNet34上和ResNet50上分別為mIOU帶來了0.58%和0.46%的提升；而對于CM，分別帶來了1.44%和0.18%的提升。從而證明了模塊的有效性。

3 結(jié)語

本文提出了一種新型的RGBD語義分割網(wǎng)絡(luò)結(jié)構(gòu)，針對RGB與深度圖的融合方式，以及上下文信息的捕獲方式進(jìn)行了探討，提出了非對稱融合模塊和關(guān)聯(lián)上下文模塊，解決了對稱融合不能合理整合RGB與深度圖信息的問題，另外采用自注意力機(jī)制獲取特征塊之間的依賴關(guān)系的同時卻不帶來過大的額外資源消耗。通過消融實驗，驗證了兩個模塊的采用分別為模型帶來了一定程度的性能提升。與同類型模型相比，本文提出的網(wǎng)絡(luò)模型參數(shù)量較少，占據(jù)資源較少，卻具有更好的效果，因此具有一定的實際應(yīng)用價值。