Semantic segmentation

Semantic Segmentationについて
ビジョン＆ITラボ皆川卓也

自己紹介
2
テクニカル・ソリューション・アーキテクト
皆川卓也（みながわたくや）
フリーエンジニア（ビジョン＆ITラボ）
「コンピュータビジョン勉強会＠関東」主催
博士（工学）
略歴：
1999-2003年
日本HP（後にアジレント・テクノロジーへ分社）にて、ITエンジニアとしてシステム構築、プリ
セールス、プロジェクトマネジメント、サポート等の業務に従事
2004-2009年
コンピュータビジョンを用いたシステム/アプリ/サービス開発等に従事
2007-2010年
慶應義塾大学大学院後期博士課程にて、コンピュータビジョンを専攻
単位取得退学後、博士号取得（2014年）
2009年-現在
フリーランスとして、コンピュータビジョンのコンサル/研究/開発等に従事
http://visitlab.jp

本資料について
 本資料は主に以下の２つのサーベイ論文を元に内容
をまとめました。
 Matin Thoma, “A Suvey of Semantic Segmentation”,
arXiv:1602.06541v2
 Hongyuan Zhu, Fanman Meng, Jianfei Cai, Shijian Lu, “Beyond
pixels: A comprehensive survey from bottom-up to semantic
image segmentation and cosegmentation”
 上記サーベイで紹介されている論文に対し、畳み込み
ニューラルネットワークを用いた手法を追記しました。
 本資料作成にあたり慶應義塾大学小篠裕子先生にご助
言いただきました。

Semantic Segmentationとは
 各画素がどの物体に属するのかを推定する技術

タスクの分類
A.クラス数
 大半が決まったクラス数によるもの。
 二値（前景/背景、street/それ以外）
 unsuperpisedな方法（クラス数可変）
 それ以外をvoid型として分類できるもの
B. 画素のクラス数
 ほとんどが１つの画素が１つのクラス
 １つの画素が複数のクラスに紐づくものもある
マルチレイヤ―の領域分割

タスクの分類
C. 入力データ
 色の有無
 デプス情報の有無
 １枚、ステレオ、Co-segmentation
 2D(画像) vs 3D(ボクセル)
D:オペレーション
 active (ロボット等)
 passive
interactive
automatic

データセット
 Semantic Segmentation用データセット
医療系
Cityscapes 30
5000(fine)
20000(coarse)
3(2040-2048) x (1016-1024)
LabelMe + SUN
SIFT-flow dataset
Stanford background dataset
NYU dataset
PASCAL Context dataset

Cityscapes
 概要
主にドイツの50の都市で取得したステレオカメラの画像シーケンス
に画素単位で30クラスのラベル付けを行った
 URL
https://www.cityscapes-dataset.com/
 ライセンス
アカデミックまたは非商用利用のみ
https://www.cityscapes-dataset.com/license/
 例：
Fine Coarse

KITTI Road
 概要
自動運転に関するビジョン用データセット/ベンチマークKITTIのうち道路、白線、お
よび走行レーン領域検出用データセット
 URL
http://www.cvlibs.net/datasets/kitti/eval_road.php
 ライセンス
Creative Commons Attribution-NonCommercial-ShareAlike 3.0
http://creativecommons.org/licenses/by-nc-sa/3.0/
非商用利用のみ。当データセットを用いた成果は同じラインセンスで提供する必
要
 例：
Lane Road

MSRC v2
 概要
Mircosoft Researchが提供している、鳥、車、体、顔、空、木、羊、犬、境
界付近、void等、23クラスをラベル付けしたデータセット
 URL
https://www.microsoft.com/en-us/research/project/image-
understanding/
 ライセンス
Microsoft Research Digital Image License Agreement
非商用利用のみ。
 例：

Pascal VOC
 概要
画像認識のコンペで使用されたデータセット。flickrの画像に対し人、車、犬、猫、
椅子、など20クラスのラベル付けがされている
 URL
http://host.robots.ox.ac.uk/pascal/VOC/voc2012/
 ライセンス
flickr term of useに従う
https://policies.yahoo.com/us/en/yahoo/terms/utos/index.htm
元々の権利は画像をflickrへアップロードした人にある。（どの写真を誰がアップ
ロードしたかのリストは入手可能）
 例：
object class

その他のデータセット
 LabelMe + SUN dataset
MITが公開しているLabelMeというアノテーション/ラベル付き画像
データのうち、SUNが515個のオブジェクトに対して付けた45,676枚の
Semantic Segmentation用サブセットデータ
21,182枚の屋内、24,494枚の屋外
画像枚数はオブジェクト毎に偏りがある
 SIFT-flow dataset
シーン解析用の2488枚の訓練画像、および200枚のテスト画像
33クラス
 Stanford background dataset
LabelMeやMSRC、PASCAL VOCからサンプリングした720枚の画像
農村、都市、港湾シーンに対して、8つのsemanticラベル(sky, tree,
road, grass, water, building, mountain, foreground)と幾何学的特性ラ
ベル(sky, vertical, horizontal)を付与

その他のデータセット
 NYU dataset
屋内をRGBカメラとデプスカメラ(Kinect）で撮影したビデオ動画に対し、
1449個の密なRGBとデプス間のラベルペアを作成
3都市で撮影した464個のシーンに対し、407,024枚のラベルなしフ
レーム
それぞれのオブジェクトにはクラス名とID（cup1, cup2, cup3, etc）
 Microsoft COCO
328K画像に対し91種類の物体クラス
 PASCAL Context dataset
PASCAL VOC2010データセットに対し、さらに520のクラスを追加し、全
部で540クラスのSemantic Segmentation用データセットを作成
10,103枚のtraining/validation用画像

評価指標
 Confusion Matrix
kクラスの識別問題で、クラス𝑖に属する画素が𝑗とラベル付けさ
れた数𝑛𝑖𝑗を求める。
 Pixel Wise Accuracy
正解画素の比率

1
𝑁
σ𝑖=0
𝑘
𝑛𝑖𝑖
 𝑁 = σ𝑖=0
𝑘
σ 𝑗=0
𝑘
𝑛𝑖𝑗
全画素数
Confusion matrixの例

評価指標
 Mean Accuracy
例えば空や地面のように大きな領域が画像中に存在した場合、
Pixel-Wise Accuracyはこれらの領域を大きく受ける。
クラスごとに個別に精度を求めて平均する。

1
𝑘
∙ σ𝑖=0
𝑘 𝑛 𝑖𝑖
𝑡 𝑖
 𝑡𝑖 = σ 𝑗=0
𝑘
𝑛𝑖𝑗
クラスiの正解画素数
 Mean Intersection over Union
クラスiに属する画素およびクラスiと判定された画素の総和
（Confusion Matrixの𝑛𝑖𝑖が属する行と列の和）と、クラスiに属して正し
くiと判定された画素の和の比

1
𝑘
∙ σ𝑖=0
𝑘 𝑛 𝑖𝑖
σ 𝑗=0
𝑘
𝑛 𝑖𝑗+𝑛 𝑗𝑖 −𝑛𝑖𝑖

評価指標
 Frequency Weighted Intersection over Union
Mean Intersection over Unionに対しクラスごとの正解画素数
で重みをつけたもの

1
𝑁
∙ σ𝑖=0
𝑘
𝑡𝑖 ∙
𝑛 𝑖𝑖
σ 𝑗=0
𝑘
𝑛 𝑖𝑗+𝑛 𝑗𝑖 −𝑛 𝑖𝑖
 F-measure
KITTIのような二値分類問題の場合の指標。
RecallとPrecisionの調和平均で、どちらの重みを置くかを
𝛽で決定する（ほとんどの場合𝛽 = 1）
 𝐹𝛽 = (1 + 𝛽)2 𝑡𝑝
1+𝛽2 ∙𝑡𝑝+𝛽2∙𝑓𝑛+𝑓𝑝
tp: true positive, fn: false negative, fp: false positive

Sliding Windowを用いた識別

Sliding Windowを用いた識別
 スライディングウィンドウで画像をスキャン
 ウィンドウ内の画像から特徴量を抽出
 特徴量を入力として、機械学習によりウィンドウ中心画素のラベルを学習/分類
×
特徴量
• Color
• HOG
• SIFT
• BoVW
• Neural Network
• etc
機械学習
• SVM
• Random Forest
• Neural Network

確率場によるPost-Processing

確率場によるPost-Processing
 画像の各画素をノードとし、隣接画素間にリンクを張ったグラフとみなす。
 真の画素のラベルを潜在変数y
 画像から取得した特徴量を観測変数x
 以下の２つの条件を元に潜在変数yを推定
各画素のラベルは観測変数x「だけ」を基にした推定と一致する確率が高い
隣り合う画素は同じような潜在変数を持つ確率が高い
潜在変数
観測変数

Markov Random Fields (MRF)
xとyの組み合わせ毎の確率分布を求める
𝑝 𝐱, 𝐲 ∝ exp −E 𝐱, 𝐲
E 𝐱, 𝐲 = ෍
𝑖=0
𝑛
𝜓 𝑢
𝑥𝑖, 𝑦𝑖 + ෍
𝑦 𝑖,𝑦 𝑗∈𝑁
𝜓𝑖𝑗
𝑑
𝑦𝑖, 𝑦𝑗
データ項
（画素ごとに独立して識別）
平滑化項
（隣り合うラベルが同じ）

Conditional Random Fields (CRF)
直接、観測xが与えられたときのyの条件付き確率を求める
𝑝 𝐲|𝐱 ∝ exp −E 𝐲; 𝐱
E 𝐲; 𝐱 = ෍
𝑖=0
𝑛
𝜓 𝑢
𝑦𝑖; 𝐱 + ෍
𝑦 𝑖,𝑦 𝑗∈𝑁
𝜓𝑖𝑗
𝑑
𝑦𝑖, 𝑦𝑗; 𝐱
データ項
（画素ごとに独立して識別）
平滑化項
（隣り合うラベルが同じ）
全画素の特徴量を基に推定

CRFを用いた例
CRFは認識対象クラスに関する知識をモデルの中に入れ込むこ
とが可能なため、 Semantic SegmentationではCRFを用いた手法
が性能的に良い。一方、SemanticでないSegmentationではMRF
が用いられることが多い。
 X.He, R. S. Zemel, M. A. Carreira-Perpinan, “Multiscale
Conditional Random Fields for Image Labeling”, CVPR2004
 J. Shotton, J. Winn, C. Rother, A. Criminisi, “TextonBoost for
Image Understanding: Multi-Class Object Recognition and
Segmentation by Jointly Modeling Texture, Layout, and
Context”, IJCV2009
 P. Krahenbuhl, V. Koltun, “Efficient Inference in Fully Connected
CRFs with Gaussian Edge Potentials”, NIPS2011
 P. Arbelaez, B. Hariharan, C. Gu, S. Gupta, L. D. Bourdev, J. Malik,
“Semantic Segmentation using Regions and Parts”, CVPR2012
(非CRF)

CRF for Image Labeling (He, et al., 2004)
 CRFをSemantic Segmentationへ適用した最初の論文
 ローカル特徴、全体特徴、ラベル間の位置関係を考慮し
たモデルを構築して最適化

TextonBoost (Shotton, et al., 2009)
 ソースコード
http://jamie.shotton.org/work/code.html (C#)
 各画素の周囲のテクスチャ(Texton)を元に画素のラベルを学
習(Joint Boost)することで物体のコンテクストを学習
 CRFを用いてテクスチャ、色、位置、エッジを考慮した学習

Fully Connected CRFs (Krahenbuhl and
Koltun, 2011)
 隣接画素だけでなく、全画素同士のペアを考慮したFully
Connected CRFsに対し効率的に学習させる方法を提案
http://www.philkr.net/ (C++)

Semantic Segmentation using Regions and
Parts (Arbelaez, et al., 2012)
 一度ざっくりとした領域分割をして、各領域において多ク
ラスに対するスコアを算出し、それらを特徴として用いて，
ラベリングをしていく。
 CRFを用いず、各領域のスコアを統合して画素ごとのスコ
アを算出する。
SVM
Part Compatibility
Global Appearance
Semantic Contours
Geometrical properties
Multi Class

ニューラルネットワークによる手法

畳み込みニューラルネットワーク
 畳み込み層とプーリング層が交互に現れる
 畳み込み層：各位置で学習した特徴との類似度を計算
 プーリング層：位置ずれなどのわずかな違いを無視
・・・
・・・・・
入力画像出力
畳み込み層プーリング層畳み込み層プーリング層全結合層

 畳み込み層
 各特徴毎の各場所での類似度を出力する
 層が上がるほど複雑な特徴になる
入力
画像
実際はRGBの３チャネルが使われる
出力A
特徴A 特徴B
出力B
・・・

 プーリング層
 近傍の情報を統合して、情報に不変性を加える
 Max Pooling、Lp Pooling、Average Poolingなどがある
Max Poolingの例：近傍領域のうち最大値を出力することで不変性を与える
畳み込み層
の出力A
・・・
・・・
Max Max
畳み込み層
の出力B

畳み込みニューラルネットワークの学習
 誤差逆伝播法
1. ネットワークに画像を入力し出力を得る
2. 出力と教師信号を比較し、誤差が小さくなる方向へ特徴を出
力層に近い方から順に更新していく
・・・
・・・・・
入力画像出力
畳み込み層プーリング層畳み込み層プーリング層全結合層
教師

Recurrent Neural Networks (RNN)
 時系列データなどの「連続したデータ」を扱うための
ニューラルネットワーク
 音声認識、機械翻訳、動画像認識
 予測先の次元数が可変
 時刻tの隠れ層の出力が時刻t+1の隠れ層の入力になる
・・
・
・・
・
・・
・
入力
出力
隠れ層

Recurrent Neural Networks (RNN)
 展開すると、静的なネットワークで表せる
 通常の誤差逆伝播法でパラメータを学習できる
・・
・
・・
・
・・・
入力
出力
隠れ層
・・・
・・
・
・・
・
・・・
・・・
・・・
t-1 t t+1
教師データ教師データ教師データ

ニューラルネットワークによる手法の例
 P. H. Pinheiro, R. Collobert, “Recurrent Convolutional Neural
Networks for Scene Labeling”, ICML2014
 J. Long, E. Shelhamer, T. Darrel, “Fully Convolutional Networks
for Semantic Segmentation”, CVPR2015
 S. Zheng, S. Jayasumana, B. Romera-Paredes, V. Vineet, Z. Su, D.
Du, C. Huang, P. H. S. Torr, “Conditional Random Fields as
Recurrent Neural Networks”, ICCV2015
 H. Noh, S. Hong, B. Han, “Learning Deconvolution Network for
Semantic Segmentation”, ICCV2015
 G. Lin, C. Shen, A. Hengel, I. Reid, “Efficient Piecewise Training
of Deep Structured Models for Semantic Segmentation”,
CVPR2016
 P. Isola, J. Y. Zhu, T. Zhou, A. A. Efros, “Image to Image
Translation with Conditional Adversarial Networks”,
arXiv:1611.67004v1, 2016

RCNN for Scene Labeling (Pinheiro and
Collobert, 2014)
 ネットワークfで各画素のラ
ベルを予測し、その結果を
入力に加えて繰り返しfで
予測を行うことで、段階的
にラベルの予測精度を上
げていく
 CRFの平滑化項にあたるよ
うな、コンテクスト（ラベル間
の位置関係）を評価してお
らず、各画素ごとに特徴か
らラベルを判別しているに
等しい

Fully Convolutional Networks (Long, et al.,
2015)
 ピクセルごとにラベル付けされた教師信号を与える
 最終の全結合層をアップサンプリングした畳み込み層に置き換え
https://github.com/shelhamer/fcn.berkeleyvision.org (Caffe)
他の人が実装したChainer版やTensorFlow版もあり

CRF as RNN (Zheng, et al., 2015)
 Fully Connected CRFの平均場近似による学習と等価なRNNを構築
 特徴抽出部分にFCN(Fully Convolutional Networks)を用いることで、
end to endで誤差逆伝播法による学習が行えるネットワークを構築
平均場近似の一回のIterationを表すCNN
ネットワークの全体像
https://github.com/torrvis
ion/crfasrnn (Caffe)

Deconvolution Network for Semantic
Segmentation (Noh, et al., 2015)
 Deconvolution Networkを学習させることで、FCNよりも詳
細にラベルごとの尤度を推定し、それを元にFully
Connected CRFでPost-Processing
https://github.com/HyeonwooNoh/DeconvNet (Caffe + Matlab)

Deep Structured Models for Semantic
Segmentation (Lin, et al., 2016)
 CRFのデータ項および平滑化項のエネルギー関数をそれぞれ
CNNで表現
CRFへの入力はFeatMap-NetというCNNの特徴マップ
CRFの学習を通してエネルギー関数のCNNを学習
平滑化項が、よりsemanticな性質を帯びる

pix2pix (Isola, et al., 2016)
 ２つの画像の対応関係を学習する汎用的なConditional Adversarial
Networks
入力から出力を生成するネットワークと、その入出力ペアが本物かを判定する
ネットワークを互いに競わせて学習
Semantic Segmentationの他にエッジ抽出やグレースケール画像の色付けなどに
も応用可能
https://github.com/phillipi/pix2pix (Torch)
他の人が実装したChainer版もあり

まとめ
 CRFを用いた手法がほぼデファクトだったが、最近はCNN
を用いた手法がデファクトになっている
CNNが良い性能を上げるのは、単純に識別性能が高いためと
思われる
CNN単体の手法だと境界部分や小さい領域などに弱い
 CNN+CRFの組み合わせによってさらに精度を上げるアプ
ローチも多い
 複数の特徴を簡単に入れ込みたいときはRegion and
Partsを使った非CRFの手法は検討の価値がある
 Generative Adversarial Network (GAN)はここ数年急激に
研究が進んだ分野なので、今後も注視する必要

Semantic segmentation

Recommended

More Related Content

What's hot (20)

Viewers also liked (16)

Similar to Semantic segmentation (20)

More from Takuya Minagawa (20)

Semantic segmentation