|
这款AI工具叫U∧2-Net（U Square Net），最近火到不行！ 不仅登上了GitHub热榜，收割了2.8k星标，还被顶会ICPR 2020 选中。更关键是，这项研究的一作还是北大校友——秦雪彬。 相信不少开发者朋友对这个名字非常熟悉，他之前提出边界感知显著目标检测网络 BASNet，被用来做了很多好玩的工具，比如『隔空复制粘贴』——AR Cut & Paste。 https://twitter.com/cyrildiagne/status/1256916982764646402 只要手机扫一扫，书本、花盆、杂志人物，你能看到的任何现实物体，只需10s统统都可以被“粘贴”到电脑里。 这项研究在Reddit上短短几个小时，就获得了近5K点赞量，之后累计浏览量超过了500万。 秦雪彬以前在北京大学读硕士，现在是加拿大阿尔伯塔大学的一名在读博士。他对计算机视觉技术非常感兴趣，尤其是目标物体检测。最近推出的这款U^2-Net深度网络架构，同样是一个目标检测工具。 之前的BASNet网络被用来做“复制粘贴”测试，效果很好。这次，他就用U^2-Net做了一个生成肖像画测试，结果也火了。 再来感受下精细到毛发的生成效果。 目标检测是计算机视觉和数字图像处理的一个重要分支。计算机视觉对于目标运动的分析大致分为三个层次：图像分割，目标检测；目标跟踪；目标识别与描述。其中，目标检测是最基础且关键的环节。 2006 年，自深度学习三大巨头Hinton、Bengio、Lecun 提出卷积神经网络（CNN），并应用于图像处理以来，目标检测技术得到显著性改善，尤其是随着全卷积神经网络（FCN）的提出，目标检测任务逐步达到最佳SOAT。 在今年的MICCAI 2020（国际医学图像计算与计算机介入）大会上，U^2-Net凭借出色的性能表现，在甲状腺结节分割比赛中获得第六名。 接下来，我们说说它是如何做到的。 任何AI处理过程都分为三个阶段：输入目标——模型训练——输出结果。要想达到高质量的生成效果，除了考验模型精度外，当然输入源也很重要。这一点也是我们所能控制的。 对于U^2-Net而言，高质量的照片源可以获得更多细节，所以在上传照片时要注意以下几点：
如图，秦雪彬还亲自示范做了说明。 接下来是最关键的目标检测模型（SOD）。 U^2-Net模型：嵌套式双层U型结构 先来看一组与现有最先进SOD模型的比较。 其中红色星标代表U∧2模型（176.3 MB），它在相对小的模型尺寸下，表现出了最高性能。（蓝色星标为4.7 MB的U∧2） 之所以达到如此性能，是因为U∧2拥有两层嵌套式U型结构，其中的ReSidual U-Block（RSU）中混合了大小不同的接收域，能够从不同尺度捕获更多语境信息。另外，由于这些RSU块中使用了池化操作，因此可以深度捕获更多细节，同时不会显著增加计算成本。 最关键的是，这种结构体系能够让模型从头训练深层网络，而无需使用图像分类任务的架构。 现在大多数SOD 网络设计都存在这样一个问题：即专注于利用现有的基础网络提取深度特征，例如 Alexnet、VGG、ResNet、ResNeXt、DenseNet 等。但这些主干网络最初都是为图像分类任务设计的。 它们提取代表语义含义的特征，而不是代表局部性细节或全局对照信息，这对于显著性目标检测至关重要，并且这些网络通常需要在 ImageNet 数据上进行预训练，效率比较低。相比之下，U∧2-Net可以有效地避免上述问题。 U∧2-Net架构 接下来详细介绍其中的块结构、网络监督策略以及训练损失。 ReSidual U-Block在图像信息提取中，1×1或3×3的小型卷积滤波器是最常用的特征提取元件。因为它所需内存小且计算效率高。但该元件接收域太小，无法捕获全局信息，因此解决方法只能是采用扩张卷积（Dilated Convolution）的方法来扩大接收域。 然而在原始分辨率的特征图上进行多次扩张卷积（尤其是在初始阶段），会耗费大量的计算和内存资源。 为了降低计算成本，同时又能捕获全局信息，研究人员采用了金字塔池化模块（Pyramid Scene Parseing Network，PSPNet）。该模块在下采样特征映射上使用小核滤波器，而不是在原始尺寸的特征映射上使用扩张卷积的方法。 但通过直接上采样和级联将不同尺度的特征融合，可能会导致高分辨率特征的退化。因此，研究人员受到受U型网络结构的启发，提出了一种全新的ReSidual U-block：RSU，来捕获阶段内的多尺度特征。如图： 从测试数据来看，RSU计算开销确实相对较小。与PLN（普通卷积块）、RES（剩余块）、DSE（密集块）、INC（初始化块）相比，所耗费的GFLOPS浮点数最低。（GFLOPS ，全称Giga Floating-point Operations Per Second，即每秒10亿次的浮点运算数，常作为GPU性能参数）。 Supervision策略在训练过程中，研究人员采用了类似于HED的深度监督。 其中，训练损失（Training Loss）定义为： 每个项L使用标准二进制交叉熵来计算损失：
在训练过程，等式（1）让总体损失最小化；在测试过程，选择融合输出的lfuse作为最终的显著性图。 比较实验：全尺寸最佳SOTA 在论文中，研究人员将U2模型与其他20多种现有最先进的模型进行了比较。 其中，各模型采用训练数据集是DUTS-TR，它含10553张图像，是目前用于目标检测的最大和最常用的数据集；采用的基准数据集分别为DUT-OMRON、DUTS-TE、HKU-IS、ECSSD、PASCAL-S、SOD六种。 先来看下定性比较的结果：
红色、绿色和蓝色分别表示最佳、第二和第三性能
从表3、表4来看，U∧2-Net在DUT-OMRON、HKU-IS以及ECSSD三个基准数据集上展现了极大先进性，五个评估指标都达到了最佳SOTA。 其中，在DUTS-TE上，U∧2-Net总体性能仅次于PoolNet；在PASCAL-S上，U∧2-Net性能仅略低于AFNet、CPD和PoolNet。此外，在边界质量评估指标（RelaxFbβ）方面，U∧2-Net性能位居第二。 在SOD数据集上， U∧2-Net在整体性能方面也仅此于PoolNet。更重要的是，U∧2-Net模型大小只有4.7 MB，是在显著性目标检测领域型号最小的，而且与其他型号相比，它的参数量也少的多。 定性比较结果：比较了七种SOTA模型，如图：
可以看出，U∧2-Net能够处理不同类型的目标，并均产生了精准的识别结果。 比如，第4行图像充分展示它在分割由大结构和薄结构组成的目标时的性能；在第六行复杂的图像结构下，产生了近乎完美的结果。 总之，U∧2-Net模型能够处理全尺寸和小尺寸图像的各种场景，与其他模型相比，能够产生更高精度的显著目标检测结果。 了解更多论文内容的可以戳这里：
相关地址：
|
|
|
