重要说明：严格来说，论文所指的反卷积并不是真正的 deconvolution network 。 关于 deconvolution network 的详细介绍，请参考另一篇博客：什么是Deconvolutional Network？

一、参考资料

Learning Deconvolution Network for Semantic Segmentation

Deconvolution_Network_6">二、Deconvolution Network

deconvolution network是卷积网络(convolution network) 的镜像，由反卷积层(deconvolutional layers)和上采样层(Unpooling layers)组成。本质上，deconvolutional layers是由卷积层(convolutional layers)组成的。

deconvolution network=deconvolutional layers+Unpooling layers

1. 引言

原始的FCN存在以下问题：

1. 第一，感受野为固定大小；物体大于或小于感受野会被 fragmented or mislabeled。大物体分割不连续，小物体被忽视。虽然FCN加入了 skip architecturer ，但是这并不是根本的解决方案，问题在于没有详细的边界和语义；
2. 第二，输入反卷积层的 label map 太粗糙，反卷积过程太简单，使得物体的细节信息丢失或被平滑；在FCN论文中，label map 大小仅仅为16x16，以 deconvolution 作为双线性差值来获得原始输入图像大小的分割。由于缺少深度的反卷积网络，很难精确重建物体边界这种高度非线性结构。

2. 论文创新点

为了克服FCN存在的问题，论文用了一个完全不同的策略进行语义分割，主要贡献如下：

1. 学习一个多层的deconvolution network，它由 deconvolutional layers， Unpooling layers 和 ReLU layers组成。
2. 将训练好的网络应用在目标候选区域(object proposal)，来获得 instance-wise segmentions。再将这些单个的分割结果结合起来组成最终的语义分割结果。这解决了FCN存在的物体尺度问题，能够识别细小的结构。

Deconvolution_NetworkFCN_26">3. Deconvolution Network与FCN对比

本文与FCN最大的不同，应该是上采样阶段的不同，FCN的上采样利用转置卷积(Conv2DTranspose)，本文利用deconvolution network，也就是Unpooling layers+deconvolutional layers。可以简单理解，基于 Conv2DTranspose 的上采样和基于 Unpooling layers+deconvolutional layers 的上采样，都可以实现语义分割任务。

通过 deconvolutional layers 和 Unpooling layers 的结合，论文可以产生更精细的分割图。和FCN的对比如下图：

Deconvolution_Network_35">4. Deconvolution Network网络结构

论文提出的网络结构由卷积网络层和反卷积网络层组成。卷积网络层对应于特征提取器，将输入图像转换为多维特征表示；而反卷积网络是一个形状(shape)生成器，对卷积网络层中提取的特征进行对象分割。网络的最终输出是一个与输入图像尺寸相同的概率图，表示每个像素点属于预定义类别的概率。

• 卷积网络(convolution network)： VGG-16（去除分类层），包括：convolutional layers，Relu layers，pooling layers 。

• 反卷积网络(deconvolution network)：反卷积网络是卷积网络的镜像，包括一系列的 Unpooling layers，deconvolutional layers，Relu layers。反卷积网络输出密集的逐像素类别概率图(dense
  pixel-wise class probability map)。

4.1 Unpooling layers

Unpooling layers 是通过回溯原始位置来获得更好的结构。

首先，在执行pooling操作时用 switch variables 记录 max pooling 选择最大值的位置(location)。然后，在 unpooling 阶段，利用 switch variables 还原位置，恢复 pooling 之前的尺寸大小，其它像素位置用零元素填充，得到稀疏的激活图(sparse avtivation map)。

4.2 deconvolution layers

对稀疏激活图进行deconvolution操作，使得稀疏激活图变成稠密激活图。执行deconvolution后，裁剪(crop)激活图的边界，使其等于 Unpooling layers 的输出尺寸(也是 deconvolutional layers 输入的大小)。

论文中，低层的 deconvolutional layers 可获得目标的粗略信息(例如：位置，形状，范围)，而高层的 deconvolutional layers 可获得更精细的信息。

Deconvolution_Network_59">5. Deconvolution Network可视化

可视化 Deconvolution network 的每一层，如下图所示：

图(a)是输入层；图(b)是14x14 deconvolution layers 的结果；图©是28x28的 Unpooling layers 的结果；图(d)是28x28 deconvolution layers 的结果；图(e)是56x56 Unpooling layers 的结果；图(f)是56x56 deconvolution layers 的结果；图(g)是112x112 的Unpooling layers 的结果；图(h)是112x112 deconvolution layers 的结果；图(i)和图(j)分别是224x224 Unpooling layers 和 deconvolution layers 的结果。

6. 总结

论文将 semantic segmentation 问题视为 instance-wise segmentation 问题，也就是 pixel-wise prediction。网络是以包含目标的子图像(将它视作一个instance)作为输入，并以此来产生 逐像素的类别预测结果(pixel-wise class prediction)。最后将图像中每个候选区域的输出整合起来，得到原始图像的输出。

instance-wise segmentation VS image-level prediction：

• instance-wise segmentation：能处理不同尺度大小的物体，识别细节信息；减少搜索空间，减少训练的复杂度，减少存储需求；
• image-level prediction：固定大小感受野，不能解决上述问题。

三、参考文献

[1] Noh H, Hong S, Han B. Learning deconvolution network for semantic segmentation[C]//Proceedings of the IEEE international conference on computer vision. 2015: 1520-1528.