最近在读一篇2017的CVPR的论文，Not All Pixels Are Equal: Difficulty-Aware Semantic Segmentation
via Deep Layer Cascade，并非所有像素都是相等的：通过深层级联实现困难感知的语义分割。下面从论文进行细致的分析。

摘要

我们提出了一个深层级联（Layer cascade, LC）的方法来提高精度和分割速度。与那些多个模型组合的传统模型级联（Model cascade, MC）不一样，层级联将单个深层模型视为多个子模型的级联。训练前期的子模型来处理简单和高置信的区域，然后逐渐地将较难的区域前馈给下一个子模型进行处理。

深的层级联

上图是IRNet的网络结构，即Inception-ResNet-v2，这个网络不是这个论文提出，详细的结构说明可以从网上查到。

作者将IRNet转为IRNet-LC，网络结构如下图所示。从结构能够看出，对于那些已经确定标签的结果，不用再进行下一步的分割，而下一次分割只处理那些不确定标签的区域。

作者将整个网络分为3个阶段。
第一阶段，识别出像素标签，其余区域前传。输入一个$3\times 512 \times 512$3×512×512的图片，经过阶段1的前三层+2层卷积，产生$21\times 64\times 64$21×64×64的特征图$L^1$L1。对每个特征图，有21维的向量，对这个向量使用softmax函数进行归一化。对于最高像素大于0.95的确定是最终结果，不再进行下一阶段的传递。对于那些仍未被标记的像素区域传入下一阶段。
第二阶段，识别出更加细致的标签，其余区域前传。方法同阶段1
第三阶段，确定最终标签。根据更新的区域，计算最终标签。

区域卷积

阶段2和阶段3只卷积那些需要前向处理的像素，也就是那些无法确定标签的像素，下图a表示了传统区域卷积的形式。下图b表示了区域卷积的形式。实现方法就是在卷积上面加了个掩膜（目标区域为1，其他为0）。区域卷积的滤波只在ROI上卷积，忽略其他区域，这样能减少许多计算量，假设这个ROI为$M$M。其他区域的值直接被设置为0，类似的卷积很常见，Faster RCNN就是一个经典的例子。

特别的下图c表示了区域卷积在残差模型上的表示，$h(I) = I + conv(I)$h(I)=I+conv(I)。将卷积方式定义为上述的区域卷积，反向传播时只传播目标区域导数即可。

总结

文章主要结构就是这样，其核心就是区域卷积，将整个阶段划分为3个阶段，不断地剔除已经标记出的结果，只进一步处理有效区域，这也是其速度快的核心原因。

对于其提高精度的说明，我认为之前的网络背景部分占据了大量的信息，迭代时候背景误差主导。而考虑区域之后，其实是目标主导，这样能够有效地对目标进行训练，提高精度。

论文中作者给出的速度是42ms，使用的是Titan X显卡，如果应用于嵌入式，实时性上还是需要继续考虑的，但是区域卷积是个趋势，后续也会继续跟踪相关文献，进行进一步理解

备注：论文代码只提供了区域卷积层的代码，完整代码没有给出，但是根据论文自己其实也能复现，论文我主要关注其思想，具体细节只有复现才能知道，后续有相关不清楚的地方欢迎评论区讨论，我会及时进行分析解答。