写在前面：大家好！我是【AI 菌】，一枚爱弹吉他的程序员。我热爱AI、热爱分享、热爱开源！ 这博客是我对学习的一点总结与记录。如果您也对 深度学习、机器视觉、算法、Python、C++ 感兴趣，可以关注我的动态，我们一起学习，一起进步~
我的博客地址为：【AI 菌】的博客
我的Github项目地址是：【AI 菌】的Github
本教程会持续更新，如果对您有帮助的话，欢迎star收藏~

前言：
在上一个专栏：TF2.0深度学习实战——图像识别与分类，我逐一复现了LeNet-5、AlexNet、VGG系列、GooLeNet、ResNet 系列、DenseNet 系列等卷积神经网络，用于图像的分类与识别。在这个专栏，我将搭建一些经典的语义分割网络，用于对场景中的目标进行分割。

本次我依然以理论和实战两部分展开，首先理论部分对SegNet算法进行必要的讲解，然后在实战部分，使用TensorFlow2.0框架搭建SegNet网络，实现对场景中的目标（矿堆）进行分割。分割结果如下：

---

资源传送门：
SegNet论文详解：深度学习–语义分割（1）：SegNet论文详解
数据集制作教程：labelme安装以及使用教程——自制语义分割数据集
SegNet原论文：《SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation》
代码下载地址：【AI 菌】的Github

---

一、SegNet算法详解

（1）SegNet简介

早在2015年，Vijay Badrinarayanan, Alex Kendall等人就提出了SegNet算法，这是一种用于语义像素级分割的深度全卷积神经网络结构。它主要是由一个编码器网络、一个对应的解码网络和一个像素级分类层组成。SegNet的新颖之处在于解码器对其低分辨率输入特征映射进行上采样的方式。具体地说，解码器使用在对应编码器的最大池化步骤中计算的池索引来执行非线性上采样。
SegNet的主要针对场景理解应用，SegNet的可训练的参数量比其它的网络结构显著减少，并且它可以通过随机梯度下降算法进行端对端地训练。经评估表明，与其他体系结构相比，SegNet在推理过程中，具有时间和内存方面的良好性能。

（2）SegNet网络结构

1. 整体结构。如下图所示，SegNet网络由一个编码器网络、一个对应的解码器网络和一个像素级分类层组成。其中，编码器网络采用的是VGG进行特征提取；解码器网络主要进行3次分线性上采样；像素级分类层，通过一个卷积层将网路输出调整为我们所需的输出。
   
2. 编码器网络。详细来说，编码器网络采用的是VGG16的前面13个卷积层进行提取特征，并且送入到解码器中的是VGG16第4个卷积块Conv_block输出的特征矩阵feature。由于原图的shape是（416， 416，3）的，经过4个卷积块后（相当于进行了4次下采样），编码器输出的feature的shape是（26， 26，3）
   
3. 解码器网络。解码实际上是上采样的过程，SegNet的新颖之处在于它的上采样方式。具体做法如下图所示，解码器使用在对应编码器的最大池化步骤中计算的池索引来执行非线性上采样。
   4. 像素级分类层。这一层主要是为像素级分类而设计。使用卷积层来改变解码器网络输出张量的通道数。比如我们要进行n_class分类，那么通过卷积层的输出shape就要变为（208，208，n_class）

（3）SegNet实验效果

1. 在CamVid数据集上白天和黑夜样本下的测试效果图。很明显，SegNet的测试结果更接近Ground Truth。因此，SegNet在该数据集上的表现更好。
   
2. 下面两张表展示了SegNet在CamVid和SUNRGB-D数据集上的表现，可见SegNet的整体精度优于其它的分割网络。
   
3. 从下表可以看出，SegNet在保持精度不错的情况下，在推理时间和占用内存仍有较好的优势。
   

二、TensorFlow2.0搭建SegNet进行语义分割

下面仅对本项目的核心代码进行讲解。我以及将完整代码上传至我的github地址：需要的可自行下载，欢迎star！

（1）数据集准备

语义分割数据集以及标签的制作过程可参考：labelme安装以及使用教程——自制语义分割数据集（保姆级示范）
数据集制作完成后，要通过make_txt文件保存数据集所有图片和对应标签的文件名。代码如下：

# coding:utf-8
import osimgs_path = '/home/fmc/WX/Segmentation/SegNet-tf2/dataset/jpg'  # 图片文件存放地址
for files in os.listdir(imgs_path):print(files)image_name = files + ';' + files[:-4] + '.png'with open("train.txt", "a") as f:f.write(str(image_name) + '\n')
f.close()

（2）网络结构搭建

1. 编码器网络

def vggnet_encoder(input_height=416, input_width=416, pretrained='imagenet'):img_input = tf.keras.Input(shape=(input_height, input_width, 3))# 416,416,3 -> 208,208,64x = layers.Conv2D(64, (3, 3), activation='relu', padding='same', name='block1_conv1')(img_input)x = layers.Conv2D(64, (3, 3), activation='relu', padding='same', name='block1_conv2')(x)x = layers.MaxPooling2D((2, 2), strides=(2, 2), name='block1_pool')(x)f1 = x# 208,208,64 -> 128,128,128x = layers.Conv2D(128, (3, 3), activation='relu', padding='same', name='block2_conv1')(x)x = layers.Conv2D(128, (3, 3), activation='relu', padding='same', name='block2_conv2')(x)x = layers.MaxPooling2D((2, 2), strides=(2, 2), name='block2_pool')(x)f2 = x# 104,104,128 -> 52,52,256x = layers.Conv2D(256, (3, 3), activation='relu', padding='same', name='block3_conv1')(x)x = layers.Conv2D(256, (3, 3), activation='relu', padding='same', name='block3_conv2')(x)x = layers.Conv2D(256, (3, 3), activation='relu', padding='same', name='block3_conv3')(x)x = layers.MaxPooling2D((2, 2), strides=(2, 2), name='block3_pool')(x)f3 = x# 52,52,256 -> 26,26,512x = layers.Conv2D(512, (3, 3), activation='relu', padding='same', name='block4_conv1')(x)x = layers.Conv2D(512, (3, 3), activation='relu', padding='same', name='block4_conv2')(x)x = layers.Conv2D(512, (3, 3), activation='relu', padding='same', name='block4_conv3')(x)x = layers.MaxPooling2D((2, 2), strides=(2, 2), name='block4_pool')(x)f4 = x# 26,26,512 -> 13,13,512x = layers.Conv2D(512, (3, 3), activation='relu', padding='same', name='block5_conv1')(x)x = layers.Conv2D(512, (3, 3), activation='relu', padding='same', name='block5_conv2')(x)x = layers.Conv2D(512, (3, 3), activation='relu', padding='same', name='block5_conv3')(x)x = layers.MaxPooling2D((2, 2), strides=(2, 2), name='block5_pool')(x)f5 = xreturn img_input, [f1, f2, f3, f4, f5]

2. 解码器网络与像素级分类层

# 解码器
def decoder(feature_input, n_classes, n_upSample):# feature_input是vggnet第四个卷积块的输出特征矩阵# 26,26,512output = (layers.ZeroPadding2D((1, 1), data_format=IMAGE_ORDERING))(feature_input)output = (layers.Conv2D(512, (3, 3), padding='valid', data_format=IMAGE_ORDERING))(output)output = (layers.BatchNormalization())(output)# 进行一次UpSampling2D，此时hw变为原来的1/8# 52,52,256output = (layers.UpSampling2D((2, 2), data_format=IMAGE_ORDERING))(output)output = (layers.ZeroPadding2D((1, 1), data_format=IMAGE_ORDERING))(output)output = (layers.Conv2D(256, (3, 3), padding='valid', data_format=IMAGE_ORDERING))(output)output = (layers.BatchNormalization())(output)# 进行一次UpSampling2D，此时hw变为原来的1/4# 104,104,128for _ in range(n_upSample - 2):output = (layers.UpSampling2D((2, 2), data_format=IMAGE_ORDERING))(output)output = (layers.ZeroPadding2D((1, 1), data_format=IMAGE_ORDERING))(output)output = (layers.Conv2D(128, (3, 3), padding='valid', data_format=IMAGE_ORDERING))(output)output = (layers.BatchNormalization())(output)# 进行一次UpSampling2D，此时hw变为原来的1/2# 208,208,64output = (layers.UpSampling2D((2, 2), data_format=IMAGE_ORDERING))(output)output = (layers.ZeroPadding2D((1, 1), data_format=IMAGE_ORDERING))(output)output = (layers.Conv2D(64, (3, 3), padding='valid', data_format=IMAGE_ORDERING))(output)output = (layers.BatchNormalization())(output)# 像素级分类层# 此时输出为h_input/2,w_input/2,nclasses# 208,208,2output = layers.Conv2D(n_classes, (3, 3), padding='same', data_format=IMAGE_ORDERING)(output)return output

3. 整体结构

# 语义分割网络SegNet
def SegNet(input_height=416, input_width=416, n_classes=2, n_upSample=3, encoder_level=3):img_input, features = vggnet_encoder(input_height=input_height, input_width=input_width)feature = features[encoder_level]  # (26,26,512)output = decoder(feature, n_classes, n_upSample)# 将结果进行reshapeoutput = tf.reshape(output, (-1, int(input_height / 2) * int(input_width / 2), 2))output = layers.Softmax()(output)model = tf.keras.Model(img_input, output)return model

（3）模型的装配与训练

1. 模型的装配

model.compile(loss=loss_function,  # 交叉熵损失函数optimizer=optimizers.Adam(lr=1e-3),  # 优化器metrics=['accuracy'])  # 评价标准

2. 模型的训练

# 开始训练
model.fit_generator(generate_arrays_from_file(lines[:num_train], batch_size),  # 训练集steps_per_epoch=max(1, num_train // batch_size),  # 每一个epos的steps数validation_data=generate_arrays_from_file(lines[num_train:], batch_size),  # 验证集validation_steps=max(1, num_val // batch_size),epochs=50,initial_epoch=0,callbacks=[checkpoint_period, reduce_lr, early_stopping])  # 回调

（4）测试效果

对存放在img_test文件下的图片一一进行测试，并将语义分割后的结果存放在img_out文件里。

for jpg in imgs:img = Image.open("./img_test/"+jpg)old_img = copy.deepcopy(img)orininal_h = np.array(img).shape[0]orininal_w = np.array(img).shape[1]img = img.resize((WIDTH,HEIGHT))img = np.array(img)img = img/255img = img.reshape(-1,HEIGHT,WIDTH,3)pr = model.predict(img)[0]pr = pr.reshape((int(HEIGHT/2), int(WIDTH/2), NCLASSES)).argmax(axis=-1)seg_img = np.zeros((int(HEIGHT/2), int(WIDTH/2), 3))colors = class_colorsfor c in range(NCLASSES):seg_img[:,:,1] += ((pr[:,: ] == c )*( colors[c][1] )).astype('uint8')# Image.fromarray将数组转换成image格式seg_img = Image.fromarray(np.uint8(seg_img)).resize((orininal_w, orininal_h))# 将两张图片合成一张图片image = Image.blend(old_img, seg_img, 0.3)image.save("./img_out/"+jpg)

最后测试得到的效果如下：

---

最好的关系是互相成就，各位的「三连」就是【AI 菌】创作的最大动力，我们下期见！