算法笔记(七)扩大感受野SPP/ASPP/RBF

最新推荐文章于 2025-04-05 20:45:00 发布

nooobme

最新推荐文章于 2025-04-05 20:45:00 发布

阅读量7.3k

点赞数 8

分类专栏：算法笔记文章标签：算法深度学习 pytorch

本文链接：https://blog.youkuaiyun.com/sleepinghm/article/details/120422062

版权

算法笔记专栏收录该内容

4 篇文章

订阅专栏

1.空洞卷积

想要获取较大感受野需要用较大的卷积核或池化时采用较大的stride，对于前者计算量太大，后者会损失分辨率。然而想要对图片提取的特征具有较大的感受野，并且又想让特征图的分辨率不下降太多(分辨率损失太多会丢失许多关于图像边界的细节信息)，但这两个是矛盾的。而空洞卷积就是用来解决这个矛盾的。即可让其获得较大感受野，又可让分辨率不损失太多。空洞卷积如下图：
在这里插入图片描述

（a）是rate=1的空洞卷积，卷积核的感受野为3×3，其实就是普通的卷积。
（b）是rate=2,padding=2的空洞卷积，卷积核的感受野为7x7
（c）是rate=4,padding=4的空洞卷积，卷积核的感受野为15x15

计算公式：

正常的感受野计算： $RF_i=RF_{i-1}+(k-1)*S_{i-1},raw=1$

raw=1
第一层使用3*3卷积核的感受野为1+(3-1)*1=3，即（3*3）；
第二层进一步使用3*3，则感受野为3+(3-1)*1=5，即（5*5）。
假设，正常的空洞卷积,空洞卷积率为dr：
$感受野尺寸 = (d r - 1) * (k - 1) + k$
padding的空洞卷积：
$感受野尺寸 = 2 (d r - 1) * (k - 1) + k$

假如使用3*3卷积核，rate=2：则感受野为(2-1)*(3-1)+3=5，
假如padding=2：则感受野为2*(2-1)*(3-1)+3=7。

2. SPP 空间金字塔池化

设计背景：
由于CNN网络后面接的全连接层需要固定的输入大小，故往往通过将输入图像resize，裁剪(crop)或拉伸(warp)等操作，将输入固定大小的方式输入卷积网络，这会造成几何失真影响精度。
设计思路：
通过三种尺度的池化，将任意大小的特征图固定为相同长度的特征向量，传输给全连接层，这样全连接层可以得到固定的输入。

对输入的特征图，分成3份（4*4，2*2，1*1）进行池化，取每个池化块中的最大值，所以变成了（16*256，4*256，1*256），其中256是通道数，然后拼接成（21*256），这样展平后输入到全连接层的参数就可以设置成21*256=10752了。

其中k为池化核大小，s为步长，p为填充数，w为输入的尺寸， $w_{out}$ 为池化后输出的尺寸。
$\begin{aligned} K&=\lceil{\frac{w}{n}}\rceil, \\ S&=\lceil{\frac{w}{n}}\rceil, \\ p&=\lceil{\frac{k∗n−w+1}{2}}\rceil,\\ w_{out}&=2∗p_w+w, \end{aligned}$

假如输入大小为是(10,7,11), 池化数量为(4,4)
则：Kernel大小为(2,3)，Stride大小为(2,3)，所以Padding为(1,1)。

#coding=utf-8
 
import math
import torch
import torch.nn.functional as F
 
# 构建SPP层(空间金字塔池化层)
class SPPLayer(torch.nn.Module):
 
    def __init__(self, num_levels, pool_type='max_pool'):
        super(SPPLayer, self).__init__()
        self.num_levels = num_levels
        self.pool_type = pool_type
 
    def forward(self, x):
        num, c, h, w = x.size() # num:样本数量 c:通道数 h:高 w:宽
        for i in range(self.num_levels):
            level = i+1
            kernel_size = (math.ceil(h / level), math.ceil(w / level))
            stride = (math.ceil(h / level), math.ceil(w / level))
            pooling = (math.floor((kernel_size[0]*level-h+1)/2), math.floor((kernel_size[1]*level-w+1)/2))
            # 选择池化方式 
            if self.pool_type == 'max_pool':
                tensor = F.max_pool2d(x, kernel_size=kernel_size, stride=stride, padding=pooling).view(num, -1)
            else:
                tensor = F.avg_pool2d(x, kernel_size=kernel_size, stride=stride, padding=pooling).view(num, -1)
            # 展开、拼接
            if (i == 0):
                x_flatten = tensor.view(num, -1)
            else:
                x_flatten = torch.cat((x_flatten, tensor.view(num, -1)), 1)
        return x_flatten

3. ASPP

SPP的扩展，使用了空洞卷积。
在这里插入图片描述
整体的 ASPP 结构就是图中黄色框中的部分。

（A）对输入的特征图经过自适应平均池化层和1*1的卷积层，然后上采样到size(x.shape[2:])大小，得到image_features。
（B）对输入的特征图经过四个空洞卷积后分别得到四个尺度的特征图。
- (1, 1)，1×1的卷积相当于rate很大的空洞卷积，因为rate越大，卷积核的有效参数就越小，这个1×1的卷积核就相当于大rate卷积核的中心的参数。
- (3, 1, padding=6, dilation=6)
- (3, 1, padding=12, dilation=12)
- (3, 1, padding=18, dilation=18)
然后将image_features和四个尺度的特征图在channel上concat起来，最终经过1*1的卷积核（depth * 5->depth）得到最终的输出。

class ASPP(nn.Module):
    def __init__(self, in_channel=512, depth=256):
        super(ASPP,self).__init__()
        # global average pooling : init nn.AdaptiveAvgPool2d ;also forward torch.mean(,,keep_dim=True)
        self.mean = nn.AdaptiveAvgPool2d((1, 1))
        self.conv = nn.Conv2d(in_channel, depth, 1, 1)
        # k=1 s=1 no pad
        self.atrous_block1 = nn.Conv2d(in_channel, depth, 1, 1)
        self.atrous_block6 = nn.Conv2d(in_channel, depth, 3, 1, padding=6, dilation=6)
        self.atrous_block12 = nn.Conv2d(in_channel, depth, 3, 1, padding=12, dilation=12)
        self.atrous_block18 = nn.Conv2d(in_channel, depth, 3, 1, padding=18, dilation=18)
        self.conv_1x1_output = nn.Conv2d(depth * 5, depth, 1, 1)
    def forward(self, x):
        size = x.shape[2:]
        image_features = self.mean(x)
        image_features = self.conv(image_features)
        image_features = F.upsample(image_features, size=size, mode='bilinear')
        atrous_block1 = self.atrous_block1(x)
        atrous_block6 = self.atrous_block6(x)
        atrous_block12 = self.atrous_block12(x)
        atrous_block18 = self.atrous_block18(x)
        net = self.conv_1x1_output(torch.cat([image_features, atrous_block1, atrous_block6,atrous_block12, atrous_block18], dim=1))
        return net

4. RBF(Receptive Field Block)

设计思路：模拟人类视觉的感受野进行设计，例如使用（1，3，5）卷积叠加的感受野效果（最后一列的下图）和人类的视觉（最后一列的上图）是差不多的。
在这里插入图片描述
RBF主要是在Inception的基础上加入了空洞卷积，以下是Inception原图：

以下是两种RFB结构示意图：

主要改进：

（a）RFB：整体结构上借鉴了Inception的思想，主要不同点在于使用3个（3*3）且不同dilated的卷积层代替了原先的(1，3，5)的卷积，这也是这篇文章增大感受野的主要方式之一。
（b）RFB-s：1. 使用3×3卷积层代替5×5卷积层；2. 使用1×3和3×1卷积层代替3×3卷积层，主要目的应该是为了减少计算量。

class BasicConv(nn.Module):
    def __init__(self, in_planes, out_planes, kernel_size, stride=1, padding=0, dilation=1, groups=1, relu=True, bn=True):
        super(BasicConv, self).__init__()
        self.out_channels = out_planes
        if bn:
            self.conv = nn.Conv2d(in_planes, out_planes, kernel_size=kernel_size, stride=stride, padding=padding, dilation=dilation, groups=groups, bias=False)
            self.bn = nn.BatchNorm2d(out_planes, eps=1e-5, momentum=0.01, affine=True)
            self.relu = nn.ReLU(inplace=True) if relu else None
        else:
            self.conv = nn.Conv2d(in_planes, out_planes, kernel_size=kernel_size, stride=stride, padding=padding, dilation=dilation, groups=groups, bias=True)
            self.bn = None
            self.relu = nn.ReLU(inplace=True) if relu else None
    def forward(self, x):
        x = self.conv(x)
        if self.bn is not None:
            x = self.bn(x)
        if self.relu is not None:
            x = self.relu(x)
        return x
class BasicRFB(nn.Module):
    def __init__(self, in_planes, out_planes, stride=1, scale=0.1, map_reduce=8, vision=1, groups=1):
        super(BasicRFB, self).__init__()
        self.scale = scale
        self.out_channels = out_planes
        inter_planes = in_planes // map_reduce
        self.branch0 = nn.Sequential(
            BasicConv(in_planes, inter_planes, kernel_size=1, stride=1, groups=groups, relu=False),
            BasicConv(inter_planes, 2 * inter_planes, kernel_size=(3, 3), stride=stride, padding=(1, 1), groups=groups),
            BasicConv(2 * inter_planes, 2 * inter_planes, kernel_size=3, stride=1, padding=vision + 1, dilation=vision + 1, relu=False, groups=groups)
        )
        self.branch1 = nn.Sequential(
            BasicConv(in_planes, inter_planes, kernel_size=1, stride=1, groups=groups, relu=False),
            BasicConv(inter_planes, 2 * inter_planes, kernel_size=(3, 3), stride=stride, padding=(1, 1), groups=groups),
            BasicConv(2 * inter_planes, 2 * inter_planes, kernel_size=3, stride=1, padding=vision + 2, dilation=vision + 2, relu=False, groups=groups)
        )
        self.branch2 = nn.Sequential(
            BasicConv(in_planes, inter_planes, kernel_size=1, stride=1, groups=groups, relu=False),
            BasicConv(inter_planes, (inter_planes // 2) * 3, kernel_size=3, stride=1, padding=1, groups=groups),
            BasicConv((inter_planes // 2) * 3, 2 * inter_planes, kernel_size=3, stride=stride, padding=1, groups=groups),
            BasicConv(2 * inter_planes, 2 * inter_planes, kernel_size=3, stride=1, padding=vision + 4, dilation=vision + 4, relu=False, groups=groups)
        )
        self.ConvLinear = BasicConv(6 * inter_planes, out_planes, kernel_size=1, stride=1, relu=False)
        self.shortcut = BasicConv(in_planes, out_planes, kernel_size=1, stride=stride, relu=False)
        self.relu = nn.ReLU(inplace=False)
    def forward(self, x):
        x0 = self.branch0(x)
        x1 = self.branch1(x)
        x2 = self.branch2(x)
        out = torch.cat((x0, x1, x2), 1)
        out = self.ConvLinear(out)
        short = self.shortcut(x)
        out = out * self.scale + short
        out = self.relu(out)
        return out

5. PPM（Pyramid Pooling Module）

在这里插入图片描述
流程：输入特征图 $x_0$ ，先自适应池化成4个大小的特征图 $x_1$ , $x_2$ , $x_3$ 和 $x_4$ （金字塔），然后对池化后不同大小特征进行卷积操作，将通道数减少，最后将这四个特征图进行上采样操作变成和输入特征图一样的大小，并使用concat与原先特征图进行通道数上的concat，得到金字塔池化后的特征图。

class PyramidPooling(nn.Module):
    def __init__(self, in_channels, out_channels, **kwargs):
        super(PyramidPooling, self).__init__()
        inter_channels = int(in_channels / 4)   #这里N=4与原文一致
        self.conv1 = _ConvBNReLU(in_channels, inter_channels, 1, **kwargs)  # 四个1x1卷积用来减小channel为原来的1/N
        self.conv2 = _ConvBNReLU(in_channels, inter_channels, 1, **kwargs)
        self.conv3 = _ConvBNReLU(in_channels, inter_channels, 1, **kwargs)
        self.conv4 = _ConvBNReLU(in_channels, inter_channels, 1, **kwargs)
        self.out = _ConvBNReLU(in_channels * 2, out_channels, 1)  #最后的1x1卷积缩小为原来的channel
 
    def pool(self, x, size):
        avgpool = nn.AdaptiveAvgPool2d(size)   # 自适应的平均池化，目标size分别为1x1,2x2,3x3,6x6
        return avgpool(x)
 
    def upsample(self, x, size):    #上采样使用双线性插值
        return F.interpolate(x, size, mode='bilinear', align_corners=True)
 
    def forward(self, x):
        size = x.size()[2:]
        feat1 = self.upsample(self.conv1(self.pool(x, 1)), size)
        feat2 = self.upsample(self.conv2(self.pool(x, 2)), size)
        feat3 = self.upsample(self.conv3(self.pool(x, 3)), size)
        feat4 = self.upsample(self.conv4(self.pool(x, 6)), size)
        x = torch.cat([x, feat1, feat2, feat3, feat4], dim=1)   #concat 四个池化的结果
        x = self.out(x)
        return x