【论文复现赛】ENCNet:Context Encoding for Semantic Segmentation

本文作者引入了上下文编码模块（Context Encoding Module），在语义分割任务中利用全局上下文信息来提升语义分割的效果。本次复现赛要求是在Cityscapes验证集上miou为78.55%，本次复现的miou为79.42%，该算法已被PaddleSeg收录。

一、引言

PSPNet通过SPP（Spatial Pyramid polling）模块得到不同尺寸的特征图，然后将不同尺寸的特征图结合扩大感受野；DeepLab利用ASPP（Atrous Spatial Pyramid Pooling）来扩大感受野。但是ENCNet提出了一个问题：“Is capturing contextual information the same as increasing the receptive field size?”（增加感受野等于捕获上下文信息吗？）。作者提出一个想法：利用图片的上下文信息来减少图片中像素种类的搜索空间。比如一张卧室的图片，那么该图片中有床、椅子等物体的可能性就会比汽车、湖面等其他物体的概率大很多。本文提出了Context Encoding Module和Semantic Encoding Loss(SE-loss)来学习上下文信息。

二、网络结构

network
上图为ENCNet的网络结构，主要包括Context Encoding Module, Featuremap Attention和Semantic Encoding Loss。
Context Encoding Module：该模块对输入的特征图进行编码得到编码后的语义向量(原文中叫做encoded semantics)，得到的语义向量有2个用处，第一个是送入Featuremap Attention用作注意力机制的权重，另一个用处是用于计算Semantic Encoding Loss。
Featuremap Attention：该模块使得模型更注重于信息量大的channel特征，抑制不重要的channel特征。例如在一张背景为天空的图片中，存在飞机的可能性就会比汽车的可能性大。
Semantic Encoding Loss：像素级的交叉熵损失函数无法考虑到全局信息，可能会导致小目标无法正常识别，而SELoss可以平等的考虑不同大小的目标。SELoss损失的target是一个（N, NUM_CLASSES）的矩阵，它的构造也很简单，如果图片中存在某种物体，则对应的target的标签就为1。

三、实验结果

experiment
上图为ENCNet在ADE20K数据集的预测结果，与FCN对比，可以看出ENCNet利用全局语义信息的显著优点：
1、第一行图片中，FCN将sand分类成了earth，ENCNet利用了全局信息(海边大概率存在沙)正确分类；
2、第二、四行图片中，FCN很难区分building,house和skyscraper这3类；
3、第三行，FCN将 windowpane分类成door。

四、核心代码


class Encoding(nn.Layer):
    def __init__(self, channels, num_codes):
        super().__init__()
        self.channels, self.num_codes = channels, num_codes

        std = 1 / ((channels * num_codes) ** 0.5)
        self.codewords = self.create_parameter(
            shape=(num_codes, channels),
            default_initializer=nn.initializer.Uniform(-std, std),
        )     # 编码
        self.scale = self.create_parameter(
            shape=(num_codes,),
            default_initializer=nn.initializer.Uniform(-1, 0),
        )        # 缩放因子
        self.channels = channels

    def scaled_l2(self, x, codewords, scale):
        num_codes, channels = paddle.shape(codewords)
        reshaped_scale = scale.reshape([1, 1, num_codes])
        expanded_x = paddle.tile(x.unsqueeze(2), [1, 1, num_codes, 1])
        reshaped_codewords = codewords.reshape([1, 1, num_codes, channels])

        scaled_l2_norm = paddle.multiply(reshaped_scale, (expanded_x - reshaped_codewords).pow(2).sum(axis=3))
        return scaled_l2_norm

    def aggregate(self, assignment_weights, x, codewords):
        num_codes, channels = paddle.shape(codewords)
        reshaped_codewords = codewords.reshape([1, 1, num_codes, channels])
        expanded_x = paddle.tile(x.unsqueeze(2), [1, 1, num_codes, 1])
        
        encoded_feat = paddle.multiply(assignment_weights.unsqueeze(3), (expanded_x - reshaped_codewords)).sum(axis=1)
        encoded_feat = paddle.reshape(encoded_feat, [-1, self.num_codes, self.channels])
        return encoded_feat
    
    def forward(self, x):
        x_dims = x.ndim
        assert x_dims == 4, "The dimension of input tensor must equal 4, but got {}.".format(x_dims)
        assert paddle.shape(x)[1] == self.channels, "Encoding channels error, excepted {} but got {}.".format(self.channels, paddle.shape(x)[1])
        batch_size = paddle.shape(x)[0]
        x = x.reshape([batch_size, self.channels, -1]).transpose([0, 2, 1])
        assignment_weights = F.softmax(self.scaled_l2(x, self.codewords, self.scale), axis=2)
        encoded_feat = self.aggregate(assignment_weights, x, self.codewords)
        return encoded_feat

五、ENCNet快速体验

1、解压cityscapes数据集；
2、训练ENCNet，本论文的复现环境是Tesla V100 * 4，想要完整的复现结果请移步脚本任务；
3、验证训练结果，如果想要验证复现的结果，需要下载权重，并放入output/best_model文件夹内（权重超出150MB限制，可以分卷压缩上传）。

# step 1: unzip data
%cd ~/data/data64550
!tar -xf cityscapes.tar
%cd ~/

# step 2: training
%cd ~/ENCNet_paddle/
!python train.py --config configs/encnet/encnet_cityscapes_1024x512_80k.yml --num_workers 16 --do_eval --use_vdl --log_iter 20 --save_interval 5000

# step 3: val
%cd ~/ENCNet_paddle/
!python val.py --config configs/encnet/encnet_cityscapes_1024x512_80k.yml --model_path output/best_model/model.pdparams