9.9 语义分割和数据集

    图9.10 语义分割中图像有关狗、猫和背景的标签

    计算机视觉领域还有2个与语义分割相似的重要问题，即图像分割（image segmentation）和实例分割（instance segmentation）。我们在这里将它们与语义分割简单区分一下。

    • 图像分割将图像分割成若干组成区域。这类问题的方法通常利用图像中像素之间的相关性。它在训练时不需要有关图像像素的标签信息，在预测时也无法保证分割出的区域具有我们希望得到的语义。以图9.10的图像为输入，图像分割可能将狗分割成两个区域：一个覆盖以黑色为主的嘴巴和眼睛，而另一个覆盖以黄色为主的其余部分身体。
    • 实例分割又叫同时检测并分割（simultaneous detection and segmentation）。它研究如何识别图像中各个目标实例的像素级区域。与语义分割有所不同，实例分割不仅需要区分语义，还要区分不同的目标实例。如果图像中有两只狗，实例分割需要区分像素属于这两只狗中的哪一只。

    语义分割的一个重要数据集叫作Pascal VOC2012 [1]。为了更好地了解这个数据集，我们先导入实验所需的包或模块。

    我们先下载这个数据集的压缩包（下载地址）。压缩包大小是2 GB左右，下载需要一定时间。下载后解压得到文件夹，然后将其放置在data文件夹下。

    1. !ls ../../data/VOCdevkit/VOC2012
    1. Annotations        JPEGImages         SegmentationObject
    2. ImageSets          SegmentationClass

    进入../../data/VOCdevkit/VOC2012路径后，我们可以获取数据集的不同组成部分。其中ImageSets/Segmentation路径包含了指定训练和测试样本的文本文件，而JPEGImages和SegmentationClass路径下分别包含了样本的输入图像和标签。这里的标签也是图像格式，其尺寸和它所标注的输入图像的尺寸相同。标签中颜色相同的像素属于同一个语义类别。下面定义read_voc_images函数将输入图像和标签读进内存。

    1. # 本函数已保存在d2lzh_pytorch中方便以后使用
    2. def read_voc_images(root="../../data/VOCdevkit/VOC2012", 
    3.                     is_train=True, max_num=None):
    4.     txt_fname = '%s/ImageSets/Segmentation/%s' % (
    5.         root, 'train.txt' if is_train else 'val.txt')
    6.     with open(txt_fname, 'r') as f:
    7.         images = f.read().split()
    8.     if max_num is not None:
    9.         images = images[:min(max_num, len(images))]
    10.     features, labels = [None] * len(images), [None] * len(images)
    11.     for i, fname in tqdm(enumerate(images)):
    12.         features[i] = Image.open('%s/JPEGImages/%s.jpg' % (root, fname)).convert("RGB")
    13.         labels[i] = Image.open('%s/SegmentationClass/%s.png' % (root, fname)).convert("RGB")
    14.     return features, labels # PIL image
    16. voc_dir = "../../data/VOCdevkit/VOC2012"
    17. train_features, train_labels = read_voc_images(voc_dir, max_num=100)

    我们画出前5张输入图像和它们的标签。在标签图像中，白色和黑色分别代表边框和背景，而其他不同的颜色则对应不同的类别。

    1. n = 5
    2. d2l.show_images(imgs, 2, n);

    接下来，我们列出标签中每个RGB颜色的值及其标注的类别。

    有了上面定义的两个常量以后，我们可以很容易地查找标签中每个像素的类别索引。

    1. colormap2label = torch.zeros(256 ** 3, dtype=torch.uint8)
    3.     colormap2label[(colormap[0] * 256 + colormap[1]) * 256 + colormap[2]] = i
    5. # 本函数已保存在d2lzh_pytorch中方便以后使用
    6. def voc_label_indices(colormap, colormap2label):
    7.     """
    8.     convert colormap (PIL image) to colormap2label (uint8 tensor).
    9.     """
    10.     colormap = np.array(colormap.convert("RGB")).astype('int32')
    11.     idx = ((colormap[:, :, 0] * 256 + colormap[:, :, 1]) * 256
    12.            + colormap[:, :, 2])
    13.     return colormap2label[idx]

    例如，第一张样本图像中飞机头部区域的类别索引为1，而背景全是0。

    1. y = voc_label_indices(train_labels[0], colormap2label)
    2. y[105:115, 130:140], VOC_CLASSES[1]

    输出:

    1. (tensor([[0, 0, 0, 0, 0, 0, 0, 0, 0, 1],
    2.          [0, 0, 0, 0, 0, 0, 0, 1, 1, 1],
    3.          [0, 0, 0, 0, 0, 0, 1, 1, 1, 1],
    4.          [0, 0, 0, 0, 0, 1, 1, 1, 1, 1],
    5.          [0, 0, 0, 0, 0, 1, 1, 1, 1, 1],
    6.          [0, 0, 0, 0, 1, 1, 1, 1, 1, 1],
    7.          [0, 0, 0, 0, 0, 1, 1, 1, 1, 1],
    8.          [0, 0, 0, 0, 0, 1, 1, 1, 1, 1],
    9.          [0, 0, 0, 0, 0, 0, 1, 1, 1, 1],
    10.          [0, 0, 0, 0, 0, 0, 0, 0, 1, 1]], dtype=torch.uint8), 'aeroplane')

    在之前的章节中，我们通过缩放图像使其符合模型的输入形状。然而在语义分割里，这样做需要将预测的像素类别重新映射回原始尺寸的输入图像。这样的映射难以做到精确，尤其在不同语义的分割区域。为了避免这个问题，我们将图像裁剪成固定尺寸而不是缩放。具体来说，我们使用图像增广里的随机裁剪，并对输入图像和标签裁剪相同区域。

    1. # 本函数已保存在d2lzh_pytorch中方便以后使用
    2. def voc_rand_crop(feature, label, height, width):
    3.     """
    4.     Random crop feature (PIL image) and label (PIL image).
    5.     """
    6.             feature, output_size=(height, width))
    8.     feature = torchvision.transforms.functional.crop(feature, i, j, h, w)
    9.     label = torchvision.transforms.functional.crop(label, i, j, h, w)    
    11.     return feature, label
    13. imgs = []
    14. for _ in range(n):
    15.     imgs += voc_rand_crop(train_features[0], train_labels[0], 200, 300)
    16. d2l.show_images(imgs[::2] + imgs[1::2], 2, n);

    9.9 语义分割和数据集 - 图3

    我们通过继承PyTorch提供的Dataset类自定义了一个语义分割数据集类VOCSegDataset。通过实现__getitem__函数，我们可以任意访问数据集中索引为idx的输入图像及其每个像素的类别索引。由于数据集中有些图像的尺寸可能小于随机裁剪所指定的输出尺寸，这些样本需要通过自定义的filter函数所移除。此外，我们还对输入图像的RGB三个通道的值分别做标准化。

    。下面我们可以查看训练集和测试集所保留的样本个数。

    1. crop_size = (320, 480)
    2. max_num = 100
    3. voc_train = VOCSegDataset(True, crop_size, voc_dir, colormap2label, max_num)
    4. voc_test = VOCSegDataset(False, crop_size, voc_dir, colormap2label, max_num)

    输出:

    1. read 75 valid examples
    2. read 77 valid examples

    设批量大小为64，分别定义训练集和测试集的迭代器。

    1. batch_size = 64
    2. num_workers = 0 if sys.platform.startswith('win32') else 4
    3. train_iter = torch.utils.data.DataLoader(voc_train, batch_size, shuffle=True,
    4.                               drop_last=True, num_workers=num_workers)
    5. test_iter = torch.utils.data.DataLoader(voc_test, batch_size, drop_last=True,
    6.                              num_workers=num_workers)

    打印第一个小批量的类型和形状。不同于图像分类和目标识别，这里的标签是一个三维数组。

    1. for X, Y in train_iter:
    2.     print(X.dtype, X.shape)
    3.     print(y.dtype, Y.shape)

    输出:

    • 语义分割关注如何将图像分割成属于不同语义类别的区域。
    • 语义分割的一个重要数据集叫作Pascal VOC2012。
    • 由于语义分割的输入图像和标签在像素上一一对应，所以将图像随机裁剪成固定尺寸而不是缩放。
    • 回忆9.1节（图像增广）中的内容。哪些在图像分类中使用的图像增广方法难以用于语义分割？

    [1] Pascal VOC2012数据集。