【机器学习】详解 扩张/膨胀/空洞卷积 (Dilated / Atrous Convolution)_膨胀卷积和空洞卷积 - wpsshop博客
devbox
繁依Fanyi0
这个屌丝很懒，什么也没留下！
关注作者
热门标签
热门文章
当前位置:   article > 正文

【机器学习】详解 扩张/膨胀/空洞卷积 (Dilated / Atrous Convolution)_膨胀卷积和空洞卷积

作者：繁依Fanyi0 | 2024-04-23 10:25:51

赞

踩

膨胀卷积和空洞卷积

目录

一、膨胀卷积的产生

二、膨胀卷积的定义

2.1 感受野 (Receptive Filed)

2.2 膨胀率/空洞率

2.3 例子

三、膨胀卷积的的特点

3.1 优点

3.2 缺点

3.3 改进

一、膨胀卷积的产生

        扩张 / 膨胀 / 空洞卷积 (Dilated / Atrous Convolution) (以下统一简称膨胀卷积) 最初旨在解决图像分割问题。早期多用卷积层+池化层堆叠来增加感受野 (Receptive Filed)，但同时也缩小了特征图尺寸 (Resolution)，故还需通过上采样还原图像尺寸。

        然而，这样堆叠的 Deep CNN 存在许多问题，例如：  

  1. 池化层 / 上采样层 (如双线性插值) 的结果是固定的、不可学习的
  2. 内部数据结构丢失，空间层级化信息丢失
  3. 小物体信息难以重建 (设有四个连续池化层，则任何小于 2^4 = 16 pixels 的物体信息理论上将无法重建)

        在这样问题背景下，语义分割问题一直处在瓶颈期，而 可增加感受野的同时保持特征图尺寸不变的 膨胀卷积 正良好地避免了这些问题。

        当然，若不用膨胀卷积，则还有另一种方案来弥补经下采样造成信息损失 —— 跳跃连接 (Skip Connection)。诸如 FCN 和 U-Net 这种典型的拓扑网络 (下采样+上采样+跳跃连接)，都通过跳跃连接在上采样时弥补信息。

二、膨胀卷积的定义

2.1 感受野 (Receptive Filed)

感受野：特征图上的一个点可感知到输入图像上的区域/范围

        感受野 (Receptive Field)，指神经网络中神经元 “感知到/看到的” 输入区域。在 CNN 中，特征图上某元素的计算 受 输入图像上某区域 的影响，此区域即为该元素的感受野。

        在 CNN 中，越深层的神经元看到的输入区域越大 —— 感受野越大，因此，堆叠卷积层是扩大感受野的常用方式。

        例如，下图中从左往右使用了两个常规卷积 (kernel size=3×3, stride=1, padding=0)。绿色区域表示 Layer 2 中每个神经元在 Layer 1 感知到/看到的区域；黄色区域表示 Layer 3 中每个神经元在 Layer 2 和 Layer 1 感知到/看到的区域。

        更具体地，Layer 2 中每个神经元可 感知到/看到 Layer 1 上 3×3 大小的区域；Layer3 中每个神经元可 感知到/看到 Layer 2 上3×3 大小的区域，该区域又可以 感知到/看到 Layer1 上 5×5 大小的区域。

两层 CNN 的感受野变化

        再如，下图分别展示了：两次 3×3 卷积 (s=1, p=0) 所得感受野相当于 一次 5×5 卷积 (s=1, p=0)，以及 三次 3×3 卷积 (s=1, p=0) 所得感受野相当于 一次 7×7 卷积 (s=1, p=0)。

两次 3×3 卷积 (s=1, p=0) 所得感受野相当于一次 5×5 卷积 (s=1, p=0)
三次 3×3 卷积 (s=1, p=0) 所得感受野相当于一次 7×7 卷积 (s=1, p=0)

         因此，感受野是个相对概念，某层特征图上的元素看到前面不同层上的区域范围是不同的。通常，感受野默认指的是看到输入图像上的区域。

2.2 膨胀率/空洞率

kernel size=3, stride=1 且 dilation rate 分别为 1, 2, 4 的三个不同的膨胀卷积

         由上节可知，3×3 常规卷积的堆叠，在感受野上可达到 5×5 和 7×7 常规卷积的效果。而膨胀卷积则可在不增加参数量的前提下 (参数量=卷积核权重+偏置) 增大感受野。

        设某膨胀卷积的 卷积核大小 kernel size = k，膨胀率/空洞数 dilated rate = d，则其 等效 kernel size = k′，计算公式如下：

k' = k + (k-1) \times (d-1)

        设第 i 层的感受野为 RFi，等效 kernel size 为 ki′，则下一层 (更深层) 感受野的递推关系为：

RF_{i+1} = RF_i + (k'_i - 1) \times S_i

        其中，表示第 i 层及先前所有层的步长之积，即：

S_i = \prod_{j=1}^{i} Stride_j = S_{i-1} \times Stride_i

        可见，第 i+1 层的步长 Stridei+1 并不影响第 i+1 层的感受野，且感受野与 Padding 无关。

Standard Convolution with a 3 x 3 kernel (and padding)
Dilated Convolution with a 3 x 3 kernel and dilation rate 2

2.3 例子

kernel size=3, stride=1 且 dilation rate 分别为 1, 2, 4 的三个不同的膨胀卷积

         仍以上图为例，展示感受野计算过程：

        1. 输入图像：

RF_1 = 1

        2. 经 第一层卷积 (kernel size=3, stride=1, padding=0, dilation rate=1) 后：

k'_1 = k_1 + (k_1-1) \times (d_1 - 1) = 3 + (3-1) \times (1-1) = 3

S_1 = \prod_{j=1}^{1}Stride_j = Stride_1 = 1

RF_{2} = RF_1 + (k'_1 - 1) \times S_1 = 1 + (3 - 1) \times 1 = 3

         3. 经 第二层卷积 (kernel size=3, stride=1, padding=0, dilation rate=2) 后：

k'_2 = k_2 + (k_2-1) \times (d_2 - 1) = 3 + (3-1) \times (2-1) = 5

S_2 = \prod_{j=1}^{2}Stride_j = Stride_1 \times Stride_2 = 1 \times 1 = 1

RF_{3} = RF_2 + (k'_2 - 1) \times S_2 = 3 + (5 - 1) \times 1 = 7

        4. 经 第三层卷积 (kernel size=3, stride=1, padding=0, dilation rate=4) 后：

k'_3 = k_3 + (k_3-1) \times (d_3 - 1) = 3 + (3-1) \times (4-1) = 9

S_3 = \prod_{j=1}^{3}Stride_j = Stride_1 \times Stride_2 \times Stride_3 = 1 \times 1 \times 1 = 1

RF_{4} = RF_3 + (k'_3 - 1) \times S_3 = 7 + (9 - 1) \times 1 = 15

三、膨胀卷积的的特点

3.1 优点

        一方面，为不因降采样 (pooling 或 s>2 conv) 丢失分辨率，而且能够扩大感受野，可以使用膨胀卷积。这在检测，分割任务中十分有用。感受野的扩大有助于检测分割大目标，特征图分辨率的保持有利于精确定位目标。

        另一方面，膨胀卷积的特定参数 dilation rate 表示在卷积核间填充 dilation rate-1 个 0。因此，当设置不同 dilation rate 时，会获取不同大小的感受野，亦即获取了多尺度信息。多尺度信息在视觉任务中相当重要。 从 DeepLab 中的 ASPP 模块可知，膨胀卷积可任意扩大感受野，且无需引入额外参数。但由于膨胀卷积通常会保持特征图分辨率，算法整体计算量将不会降低。

3.2 缺点

        网格效应 (Gridding Effect)

        当仅多次叠加 dilation rate = 2 的 3 x 3 kernel 时，会出现如下所示的问题：

         由于膨胀卷积的计算方式类似于棋盘格式，当前层的卷积结果，来自于上一层没有相互依赖的独立集合，因此该层的卷积结果之间仍缺乏相关性，导致 局部信息丢失。这对 pixel-level dense prediction 任务而言是致命的。

        长程信息相关性缺失 (Long-ranged information might be not relevant.)

         膨胀卷积稀疏地采样输入信号，使得远距离卷积所得的信息之间缺乏相关性，从而影响分类结果。

3.3 改进

         Hybrid Dilated Convolution (HDC)

         图森未来的研究人员提出了 HDC 结构，具有如下特性：

  1. 叠加卷积的 dilation rate 不能有大于 1 的公约数，如 [2, 4, 6] 组合的最大公约数为 2，仍会出现 gridding effect
  2. 将 dilation rate 设计成 锯齿状结构，如 [1, 2, 5, 1, 2, 5] 组合这类循环结构
  3. 需满足：

Mi=max[Mi+1−2ri,Mi+1−2(Mi+1−ri),ri]

        其中 ri 是 i 层的 dilation rate，而 Mi 指在 i 层的最大 dilation rate，那么假设总共有 n 层，默认 Mn=rn。假设使用的 kernel size 为 k×k，则我们的目标是 M2<k，这样至少可以用 dilation rate = 1 即 standard convolution 来覆盖掉所有洞。一个简单的例子: kernel size = 3 × 3 且 dilation rate = [1, 2, 5] (可行的方案)

        而这样的锯齿状 dilation rate 的性质，适合同时满足大、小物体的分割要求 (小 dilation rate 注重相对局部的近距离信息，大 dilation rate 关心相对全局的远距离信息)。

        以下对比实验可见，一个良好设计的 dilated convolution 网络能够有效避免 gridding effect。

        Atrous Spatial Pyramid Pooling (ASPP)

        在处理多尺度物体分割时，通常有以下方式：

        然而仅 (在一个卷积分支网络下) 用膨胀卷积去提取多尺度物体并不正统。例如，用一个 HDC 方法来获取一个大 (近) 车辆的信息，则对小 (远) 车辆信息都不再适合。若再用小膨胀卷积重新获取小车辆的信息，则将非常冗余。  

        ASPP 在网络 decoder 上采用不同大小的 dilation rate 来提取多尺度信息，各尺度均为一个独立的分支，并在网络最后合并一处，通过一个卷积层输出进行预测。如此有效地避免了在 encoder 上冗余信息的获取，直接关注与物体间与物体内的相关性。

参考资料：

吃透空洞卷积（Dilated Convolutions）

图解转置卷积，空洞卷积，C++经典面试题

彻底搞懂感受野的含义与计算 - 极市社区

卷积神经网络中感受野的详细介绍

空洞卷积(dilated convolution)理解 - 简书

如何理解空洞卷积（dilated convolution）？ - 知乎

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/繁依Fanyi0/article/detail/473378
推荐阅读
相关标签