1.前言¶

这篇文章主要以几篇经典的分割论文为切入点，浅谈一下当Unet遇见ResNet会发生什么？

2. UNet¶

首先回顾一下UNet，UNet的结构如下图所示：

从UNet的网络结构我们会发现两个最主要的特点，一个是它的U型结构，一个是它的跳层连接。 其中UNet的编码器一共有4次下采样来获取高级语义信息，解码器自然对应了4次上采样来进行分辨率恢复，为了减少下采样过程带来的空间信息损失跳层连接被引入了，通过Concat的方式使得上采样恢复的特征图中包含更多low-level的语义信息，使得结果的精细程度更好。

使用转置卷积的UNet参数量是31M左右，如果对其channel进行缩小例如缩小两倍，参数量可以变为7.75M左右，缩小4倍变成2M左右，可以说是非常的轻量级了。UNet不仅仅在医学分割中被大量应用，也在工业界发挥了很大的作用。

3. ResNet¶

再来简单回顾一下ResNet。

在ResNet之前普遍认为网络的深度越深，模型的表现就更好，因为CNN越深越能提取到更高级的语义信息。但论文的实验发现，通过和浅层网络一样的方式来构建深层网络，结果性能反而下降了，这是因为网络越深越难训练。实验如Figure1所示：

因此网络的深度不能随意的加深，前面介绍的GoogLeNet和VGG16/19均在加深深度这件事情上动用了大量的技巧。那么到底什么是残差呢？

首先，浅层网络都是希望学习到一个恒等映射函数$H(x)=x$，其中$=$指的是用$H(x)$这个特征/函数来代表原始的$x$的信息，但随着网络的加深这个恒等映射变得越来越难以拟合。即是用BN这种技巧存在，在深度足够大的时候网络也会难以学习这个恒等映射关系。因此ResNet提出将网络设计为$H(x)=F(x)+x$，然后就可以转换为学习一个残差函数$F(x)=H(x)-x$，只要残差为$0$，就构成了一个恒等映射$H(x)=x$，并且相对于拟合恒等映射关系，拟合残差更容易。残差结构具体如Figure2所示，identity mapping表示的就是恒等映射，即是将浅层网络的特征复制来和残差构成新的特征。其中恒等映射后面也被叫作跳跃连接(skip connrection)或者短路连接(shortcut connection)，这一说法一直保持到今天。同时我们可以看到一种极端的情况是残差映射为$0$，残差模块就只剩下$x$，相当于什么也不做，这至少不会带来精度损失，这个结构还是比较精巧的。

为什么残差结构是有效的呢？这是因为引入残差之后的特征映射对输出的变化更加敏感，也即是说梯度更加，更容易训练。从图2可以推导一下残差结构的梯度计算公式，假设从浅层到深层的学习特征$y=x+F(x,W)$，其中$F(x,W)$就是带权重的卷积之后的结果，我们可以反向求出损失函数对$x$的提取$\frac{dloss}{dx}=\frac{dloss}{dy} \times \frac{dy}{dx}=\frac{dloss} { dy} *(1+\frac{dF(x,W)}{dx})$，其中$\frac{dloss}{dy}$代表损失函数在最高层的梯度，小括号中的$1$表示残差连接可以无损的传播梯度，而另外一项残差的梯度则需要经过带有可学习参数的卷积层。另外残差梯度不会巧合到全部为$-1$，而且就算它非常小也还有$1$这一项存在，因此梯度会稳定的回传，不用担心梯度消失。同时因为残差一般会比较小，残差学习需要学习的内容少，学习难度也变小，学习就更容易。

4. 当UNet初见ResNet¶

我们知道UNet做下采样的BackNone是普通的CBR模块(Conv+BN+ReLU)堆叠的，一个自然的想法就是如果将学习更强的ResNet当作UNet的BackBone效果是否会更好呢？

CVPR 2017的LinkNet给出了答案。LinkNet的网络结构如下所示：

其中，conv 代表卷积，full-conv 代表全卷积，/2代表下采样的步长是2，*2代表上采样的因子是2。 在卷积层之后添加 BN，后加 ReLU。左半部分表示编码，右半部分表示解码。编码块基于ResNet18。编解码模块如下所示。

这项工作的主要贡献是在原始的UNet中引入了残差连接，并直接将编码器与解码器连接来提高准确率，一定程度上减少了处理时间。通过这种方式，保留编码部分中不同层丢失的信息，同时，在进行重新学习丢失的信息时并未增加额外的参数与操作。在Cittycapes和CamVID数据集上的实验结果证明残差连接的引入（LinkNet without bypass）使得mIOU获得了提升。

这篇论文的主要提升技巧在于它的bypass技巧，但我们也可以看到ResNet也进一步对网络的效果带来了改善，所以至少说明ResNet是可以当成BackBone应用在UNet的，这样结果至少不会差。

5. 当UNet再见ResNet¶

CVPR 2018北邮在DeepGlobe Road Extraction Challenge全球卫星图像道路提取）比赛中勇夺冠军，他们提出了一个新网络名为D-LinkNet，论文链接以及代码/PPT见附录。

D-LinkNet使用LinkNet作为基本骨架，使用在ImageNet数据集上与训练好的ResNet作为网络的encoder，并在中心部分添加带有shortcut的dilated-convolution层，使得整个网络识别能力更强、接收域更大、融合多尺度信息。网络中心部分展开示意图如下：

这篇论文和ResNet的关系实际上和LinkNet表达出的意思一致，也即是将其应用在BackBone部分增强特征表达能力。

6. 最后，ResNet+UNet被玩出了花¶

这篇文章其实是比上两篇文章早的，但我想放到最后这个位置来谈一下，这篇文章是DLMIA 2016的文章，名为：The Importance of Skip Connections in Biomedical Image Segmentation 。这一网络结构如下图所示，对图的解释来自akkaze-郑安坤的文章(https://zhuanlan.zhihu.com/p/100440276)：

(a) 整个网络结构

使用下采样（蓝色）：这是一条收缩路径。

上采样（黄色）：这是一条不断扩大的路径。

这是一个类似于U-Net的FCN架构。

并且从收缩路径到扩展路径之间存在很长的跳过连接。

（b）瓶颈区

使用$1×1Conv-3×3Conv-1×1Conv$，因此称为瓶颈。 它已在ResNet中使用。

在每次转化前都使用$BN-ReLU$，这是激活前ResNet的想法。

（c）基本块

两个$3×3$卷积，它也用在ResNet中。

（d）简单块

$1$个$3×3$卷积

（b）-（d）

所有块均包含短跳转连接。

下面的Table1表示整个网络的维度变化：

接下来是这节要分析的重点了，也就是长短跳过网络中两种不同类型的跳跃连接究竟对UNet的结果参生了什么影响？

这里训练集以$30$张电子显微镜（EM）图像为数据集，尺寸为$512×512$。 $25$张图像用于训练，其余$5$张图像用于验证。而测试集是另外$30$张图像。

下面的Figure3为我们展示了长短跳过连接，以及只有长跳过连接，只有短跳过连接对准确率和损失带来的影响：

下面来看一可视化权重分析：

（a）长跳和短跳连接

当长跳转和短跳转连接都存在时，参数更新看起来分布良好。

（b）仅长跳连接具有9个重复的简单块

删除短跳过连接后，网络的较深部分几乎没有更新。

当保留长跳连接时，至少可以更新模型的浅层部分。

（c）仅长跳连接具有3个重复的简单块

当模型足够浅时，所有层都可以很好地更新。

（d）仅长跳连接具有7个重复的简单块，没有BN。

论文给出的结论如下：

• 没有批量归一化的网络向网络中心部分参数更新会不断减少。

• 根据权值分析的结论，由于梯度消失的问题（只有短跳连接可以缓解），无法更有效地更新靠近模型中心的层。

所以这一节介绍的是将ResNet和UNet结合之后对跳跃连接的位置做文章，通过这种长跳短跳连接可以使得网络获得更好的性能。

7. 总结¶

这篇文章只是对我个人阅读ResNet相关的类UNet分割结构的一点小总结，希望能起到一点作用科普和给你带来一点点启发。

8. 附录¶

• LinkNet：https://arxiv.org/abs/1707.03718
• D-LinkNet：http://openaccess.thecvf.com/content_cvpr_2018_workshops/w4/html/Zhou_D-LinkNet_LinkNet_With_CVPR_2018_paper.html
• D-LinkNet代码和PPT：https://github.com/zlkanata/DeepGlobe-Road-Extraction-Challenge
• The Importance of Skip Connections inBiomedical Image Segmentation：https://arxiv.org/pdf/1608.04117.pdf
• https://zhuanlan.zhihu.com/p/100440276

欢迎关注GiantPandaCV, 在这里你将看到独家的深度学习分享，坚持原创，每天分享我们学习到的新鲜知识。( • ̀ω•́ )✧

有对文章相关的问题，或者想要加入交流群，欢迎添加BBuf微信：