尽管多尺度融合、空洞卷积都可以增加网络的感受野，但理论感受野与实际感受野仍然存在差异。那么如何真正利用图像的全局信息呢？ParseNet告诉你。

1 理论感受野是真的吗？

相信通过前面几篇介绍上下文信息整合的文章，大家已经能够体会到感受野对于分割网络效果的影响有多么巨大了。简单来说，感受野越大，网络所能“看见”的区域就越大，从而能够用于分析的信息就更多。由此，分割的效果也很有可能更好。

基于这种考虑，许多算法尝试通过改变自身网络结构设计来增大网络的理论感受野，认为这样就能够为网络带来更多的信息。尽管理论感受野的增大的确能够增加网络所获取的上下文信息，但是，理论感受野难道真的就代表了算法实际看见的区域吗？

在实际应用中，许多方法的理论感受野是很大的。比如前面文章中介绍过的带VGG的FCN网络中的fc7层，其理论感受野为404x404像素。但是，实验却证明，其并没有办法看到这么大的区域。

比如，ParseNet的作者做了这样一个实验，即破坏图像中一个随机区域中的信息，以此来观察网络的输出结果是否依赖于这个区域。结果如下图所示：

从左到右分别为：图像、热度图、理论感受野和实际感受野。

由此可以看出，网络实际上能够覆盖的区域也就能达到整图的1/4左右，远远没有达到理论感受野的尺寸。那么究竟该如何利用全部的图像上下文信息呢？ParseNet提出了一种融合全局信息与局部信息的方法，下面来具体介绍一下。

2 全局特征的提取与融合

如下图所示，ParseNet通过全局池化提取图像的全局特征，并将其与局部特征融合起来。

这种融合在过程中需要考虑两个主要问题：融合的时机与尺度的归一化。

(1) 融合时机

直观上理解，全局特征与局部特征的融合可以发生在两个节点：分别是训练分类器之前（early fusion）和训练分类器之后（late fusion）。其中，前者是将两个特征融合后，作为一个整体共同送入分类网络，训练分类器；后者则是以两个特征为输入，分别训练其对应的分类器，最后再将分类的结果整合。

如果忽略结合特征后的训练过程，那么这两种融合的时机的鲜果是差不多的。但是，在某些情况下，只有全局特征辅助下的局部特征才能够判断出正确的分类结果；此时，如果两个特征分别训练再整合，那么这种情况下的分割损失是不可逆的，也就是说，这些情况下的分类将不正确。

当然，这两种方法在实际应用过程中是可以实现相似的结果的，但是late fusion需要进行归一化。

(2) 归一化

如下图所示，不同层之间的特征的尺度是不同的，而且这种不同可能很显著。（不同颜色代表不同层上的特征）

很显然，这些特征的尺度（scale）和范数（norm）是不同的。如果直接将这些特征级联起来会造成大特征控制小特征，使分割效果变差。尽管在训练过程中，网络的权重可能会对这种情况进行调整，但是这要求非常小心的调参和数据库选取。

因此，ParseNet利用了L2范数来归一化特征的融合过程。具体而言，给定d维输入x，算法通过计算其L2范数并在整个维度内实现归一化。

此外，如果只是单纯地对所有输入层进行归一化，不仅会减慢网络的训练速度，同时也会改变该层的尺度。因此，还需要对其增加一个尺度参数gamma，将归一化的结果进行尺度缩放（缩放结果为y）。

这一过程增加的参数量等于所有的通道数之和，因此在反向传播过程中是可以忽略的。具体的反向传播公式如下：

下表是ParseNet在PASCAL VOC2012下的数据结果和与其他算法的比较：

其效果与DeepLab-LargeFOV相近。

下图是全局特征有助于分割结果的示例：

从左到右分别为：图像、真值、对比基准和ParseNet。

尽管总体而言，引入更多的上下文信息有助于分割。但是有时候，引入全局信息也可能给分类造成不好的影响，比如下图所示，从左到右分别是原图，真值，FCN以及ParseNet。

本文我们了解了全局信息该如何使用、该注意什么问题。下篇文章我们来看看RefineNet中是如何用残差校正进一步提高分割效果的。

作者介绍

孙叔桥，公众号“有三AI”作者。该公号聚焦于让大家能够系统性地完成AI各个领域所需的专业知识的学习。

原文链接

https://mp.weixin.qq.com/s/TNHTvXmefRBlc6zfHW7C8A