憨批的语义分割重制版11——Keras 搭建自己的HRNetV2语义分割平台

• 学习前言
• 什么是HRNetV2模型
• 代码下载
• HRNetV2实现思路
• • 一、预测部分
  • • 1、主干网络介绍
    • • a、Section-1
      • b、Section-2
      • c、Section-3
      • d、Section-4
    • 2、特征整合部分
    • 3、利用特征获得预测结果
  • 二、训练部分
  • • 1、训练文件详解
    • 2、LOSS解析
• 训练自己的HRNetV2模型
• • 一、数据集的准备
  • 二、数据集的处理
  • 三、开始网络训练
  • 四、训练结果预测

学习前言

最近学了一下HRnet，代码真的好难看懂，还只有Pytorch版本的，Keras复现很有难度，作者写的逻辑很厉害，只能慢慢攻破啦！

什么是HRNetV2模型

传统的卷积神经网络模型是自上而下不断进行特征提取的，如VGG、Mobilenet、Resnet系列等，VGG网络中存在5个步长为(2, 2)最大池化，Mobilenet网络中存在5个步长为(2, 2)的逐层卷积，Resnet网络中存在5个步长为(2, 2)的普通卷积。

这些网络常常存在多个下采样的过程，输入进来的图片利用卷积或者最大池化进行高和宽的压缩。在特征提取的过程中，我们会获得不同形状的特征层。传统的卷积神经网络模型仅仅会有自上而下的特征提取，而HRNet则改变了传统卷积神经网络模型的工作模式，使得网络在工作时刻保持高分辨率特征图。通过下采样以及上采样，在网络进行特征提取时融合不同形状的特征。

最开始的HRNet被用于人体的姿态检测，该论文发表于2019年的CVPR上。在原来HRNet的基础上，官方修改出HRNetV2并且让他可以适应不同任务的需要，语义分割就是其中之一。HRNet提取出来的特征极其丰富，包含各种的分辨率，理论上可以适应不同的CV需求（目标检测、语义分割、实例分割等），本文以HRNetv2做分割为例，进行介绍。

整个HRNetV2由三部分组成，分别是主干部分、特征整合部分、预测头部分。如上图所示，灰色方框的左半部分就是主干部分，灰色部分与右半部分就是分割头部分。

在主干部分，HRNetV2会在特征提取的过程中同时进行下采样与上采样，在这个过程里会获得不同形状特征图并进行特征融合。

在特征整合部分，HRNetV2会将获取到的所有特征图进行特征融合，将宽高较小的特征图网上进行上采样，然后与最大的特征图进行特征融合，然后再利用1个卷积+标准化+激活函数进行特征整合。

在预测头部分，HRNetV2会利用一个卷积核为(1, 1)的卷积调整通道数为num_classes，利用resize进行上采样使得最终输出层，宽高和输入图片一样。。

代码下载

Github源码下载地址为：
https://github.com/bubbliiiing/hrnet-keras

复制该路径到地址栏跳转。

HRNetV2实现思路

一、预测部分

1、主干网络介绍

上图是官方给出的HRNetV2用于分割的示意图，但其实这个图里面遗漏了一些细节。遗漏的细节容易引起误会。

上图将整个HRNetV2的主干分为四个部分，为了方便理解，我们将其命名为Section-1，Section-2，Section-3，Section-4.

a、Section-1

Section-1是第一部分，用于进行初步的特征提取，在图中对应了最左边的四个方块。在实际代码中，图片处理的过程不仅仅包含这四个方块。

如果将该部分进行详细绘制，其本质上应该是这样的。

对于输入进来的图片，HRNetV2还会使用两次步长为(2, 2)、卷积核大小为(3, 3)、通道为64的卷积对输入图片进行高和宽的压缩与特征提取。

假设输入进来的图片是[480, 480, 3]的，在经过两次步长为(2, 2)、卷积核大小为(3, 3)、通道为64的卷积后，获得的特征层为[120, 120, 64]。

此时再进行四次bottleneck_Block。这里用到的bottleneck_Block，其实就是Resnet系列里面用到的残差卷积，主要用在Resnet50、Resnet101里面。

bottleneck_Block的结构如下图所示，bottleneck_Block可以分为两个部分，左边部分为主干部分，存在两次卷积、标准化、激活函数和一次卷积、标准化；右边部分为残差边部分，不经过处理或者经过少量处理直接与输出相接。

由图可知，结构分为两个情况：
如果不发生高宽以及通道的变化，则bottleneck_Block如左图所示，此时残差边不经过任何处理便直接与主干部分相接，输入特征层和输出特征层的shape是相同的。

如果发生高宽以及通道的变化，则bottleneck_Block如右图所示，此时残差边经过少量处理便直接和主干相接，可以改变输出特征层的宽高和通道数。

在经过四次bottleneck_Block后，我们获得的特征层的shape为[120, 120, 256]。

总体上，Section-1的构建代码如下：

def bottleneck_Block(input, out_filters, strides=(1, 1), with_conv_shortcut=False, name=""):expansion = 4de_filters = int(out_filters / expansion)x = Conv2D(de_filters, 1, use_bias=False, kernel_initializer='he_normal', name=name+'.conv1')(input)x = BatchNormalization(epsilon=1e-5, name=name+'.bn1')(x)x = Activation('relu')(x)x = Conv2D(de_filters, 3, strides=strides, padding='same', use_bias=False, kernel_initializer='he_normal', name=name+'.conv2')(x)x = BatchNormalization(epsilon=1e-5, name=name+'.bn2')(x)x = Activation('relu')(x)x = Conv2D(out_filters, 1, use_bias=False, kernel_initializer='he_normal', name=name+'.conv3')(x)x = BatchNormalization(epsilon=1e-5, name=name+'.bn3')(x)if with_conv_shortcut:residual = Conv2D(out_filters, 1, strides=strides, use_bias=False, kernel_initializer='he_normal', name=name+'.downsample.0')(input)residual = BatchNormalization(epsilon=1e-5, name=name+'.downsample.1')(residual)x = add([x, residual])else:x = add([x, input])x = Activation('relu')(x)return xdef stem_net(input):x = ZeroPadding2D(((1, 1),(1, 1)))(input)x = Conv2D(64, 3, strides=(2, 2), padding='valid', use_bias=False, kernel_initializer='he_normal', name="conv1")(x)x = BatchNormalization(epsilon=1e-5, name="bn1")(x)x = Activation('relu')(x)x = ZeroPadding2D(((1, 1),(1, 1)))(x)x = Conv2D(64, 3, strides=(2, 2), padding='valid', use_bias=False, kernel_initializer='he_normal', name="conv2")(x)x = BatchNormalization(epsilon=1e-5, name="bn2")(x)x = Activation('relu')(x)x = bottleneck_Block(x, 256, with_conv_shortcut=True, name="layer1.0")x = bottleneck_Block(x, 256, with_conv_shortcut=False, name="layer1.1")x = bottleneck_Block(x, 256, with_conv_shortcut=False, name="layer1.2")x = bottleneck_Block(x, 256, with_conv_shortcut=False, name="layer1.3")return x

b、Section-2

Section-2是第二部分，用于进行进一步的特征提取，对应图中中间靠左的12个方块。如果将该部分进行详细绘制，其本质上应该是这样的。

对于输入进来的特征层，HRNetV2分别利用两个卷积进行处理，一个卷积的步长为(1, 1)、通道为32，一个卷积的步长为(2, 2)、通道为64。此时，我们获得一个[120,120, 32]的特征层和一个[60, 60, 64]的特征层。

之后对这两个特征层，分别进行四次basic_Block的处理。这里用到的basic_Block，也是Resnet系列里面用到的残差卷积，主要用在Resnet18、Resnet32里面。

basic_Block的结构如下图所示，basic_Block可以分为两个部分，左边部分为主干部分，存在一次卷积、标准化、激活函数和一次卷积、标准化；右边部分为残差边部分，不经过处理或者经过少量处理直接与输出相接。

由图可知，结构分为两个情况：
如果不发生高宽以及通道的变化，则basic_Block如左图所示，此时残差边不经过任何处理便直接与主干部分相接，输入特征层和输出特征层的shape是相同的。

如果发生高宽以及通道的变化，则basic_Block如右图所示，此时残差边经过少量处理便直接和主干相接，可以改变输出特征层的宽高和通道数。

在分别经过进行四次basic_Block的处理后，我们依然获得一个[120,120, 32]的特征层和一个[60, 60, 64]的特征层。

之后对[120,120, 32]的特征层进行下采样，与[60, 60, 64]的特征层相加；对[60, 60, 64]的特征层进行上采样，与[120,120, 32]相加。

总体上，Section-2的构建代码如下：

def transition_layer1(x, out_filters_list=[32, 64]):x0 = Conv2D(out_filters_list[0], 3, padding='same', use_bias=False, kernel_initializer='he_normal', name="transition1.0.0")(x)x0 = BatchNormalization(epsilon=1e-5, name="transition1.0.1")(x0)x0 = Activation('relu')(x0)x1 = ZeroPadding2D(((1, 1),(1, 1)))(x)x1 = Conv2D(out_filters_list[1], 3, strides=(2, 2), padding='valid', use_bias=False, kernel_initializer='he_normal', name = "transition1.1.0.0")(x1)x1 = BatchNormalization(epsilon=1e-5, name="transition1.1.0.1")(x1)x1 = Activation('relu')(x1)return [x0, x1]def make_stage2(x_list, out_filters_list=[32, 64]):x0, x1 = x_listx0 = basic_Block(x0, out_filters_list[0], with_conv_shortcut=False, name="stage2.0.branches.0.0")x0 = basic_Block(x0, out_filters_list[0], with_conv_shortcut=False, name="stage2.0.branches.0.1")x0 = basic_Block(x0, out_filters_list[0], with_conv_shortcut=False, name="stage2.0.branches.0.2")x0 = basic_Block(x0, out_filters_list[0], with_conv_shortcut=False, name="stage2.0.branches.0.3")x1 = basic_Block(x1, out_filters_list[1], with_conv_shortcut=False, name="stage2.0.branches.1.0")x1 = basic_Block(x1, out_filters_list[1], with_conv_shortcut=False, name="stage2.0.branches.1.1")x1 = basic_Block(x1, out_filters_list[1], with_conv_shortcut=False, name="stage2.0.branches.1.2")x1 = basic_Block(x1, out_filters_list[1], with_conv_shortcut=False, name="stage2.0.branches.1.3")x0_0 = x0x0_1 = Conv2D(out_filters_list[0], 1, use_bias=False, kernel_initializer='he_normal', name="stage2.0.fuse_layers.0.1.0")(x1)x0_1 = BatchNormalization(epsilon=1e-5, name="stage2.0.fuse_layers.0.1.1")(x0_1)x0_1 = UpsampleLike(name="Upsample1")([x0_1, x0_0])x0_out = add([x0_0, x0_1])x0_out = Activation('relu')(x0_out)x1_0 = ZeroPadding2D(((1, 1),(1, 1)))(x0)x1_0 = Conv2D(out_filters_list[1], 3, strides=(2, 2), padding='valid', use_bias=False, kernel_initializer='he_normal', name="stage2.0.fuse_layers.1.0.0.0")(x1_0)x1_0 = BatchNormalization(epsilon=1e-5, name="stage2.0.fuse_layers.1.0.0.1")(x1_0)x1_1 = x1x1_out = add([x1_0, x1_1])x1_out = Activation('relu')(x1_out)return x0_out, x1_out

c、Section-3

Section-3是第三部分，用于进行进一步的特征提取，对应图中中间靠右的18个方块。如果将该部分进行详细绘制，其本质上应该是这样的。

对于输入进来的特征层，HRNetV2利用一个步长为(2, 2)、通道为128的卷积对[60, 60, 64]进行处理。此时，我们获得一个[30, 30, 128]的特征层。加上初始的两个特征层，我们存在三个特征层。

之后对这三个特征层，分别进行四次basic_Block的处理。这里用到的basic_Block，与Stage-2里面一样。然后利用[128, 128, 32]、[60, 60, 64]、[30, 30, 128]三个特征层，利用上采样和下采样建立密集连接，完成高度的特征融合。这个过程需要重复四次。

总体上，Section-3的构建代码如下：

def transition_layer2(x, out_filters_list=[32, 64, 128]):x2 = ZeroPadding2D(((1, 1),(1, 1)))(x[1])x2 = Conv2D(out_filters_list[2], 3, strides=(2, 2), padding='valid', use_bias=False, kernel_initializer='he_normal', name="transition2.2.0.0")(x2)x2 = BatchNormalization(epsilon=1e-5, name="transition2.2.0.1")(x2)x2 = Activation('relu')(x2)return [x[0], x[1], x2]def make_stage3(x_list, num_modules, out_filters_list=[32, 64, 128]):for i in range(num_modules):x0, x1, x2 = x_listx0 = basic_Block(x0, out_filters_list[0], with_conv_shortcut=False, name="stage3." + str(i) + ".branches.0.0")x0 = basic_Block(x0, out_filters_list[0], with_conv_shortcut=False, name="stage3." + str(i) + ".branches.0.1")x0 = basic_Block(x0, out_filters_list[0], with_conv_shortcut=False, name="stage3." + str(i) + ".branches.0.2")x0 = basic_Block(x0, out_filters_list[0], with_conv_shortcut=False, name="stage3." + str(i) + ".branches.0.3")x1 = basic_Block(x1, out_filters_list[1], with_conv_shortcut=False, name="stage3." + str(i) + ".branches.1.0")x1 = basic_Block(x1, out_filters_list[1], with_conv_shortcut=False, name="stage3." + str(i) + ".branches.1.1")x1 = basic_Block(x1, out_filters_list[1], with_conv_shortcut=False, name="stage3." + str(i) + ".branches.1.2")x1 = basic_Block(x1, out_filters_list[1], with_conv_shortcut=False, name="stage3." + str(i) + ".branches.1.3")x2 = basic_Block(x2, out_filters_list[2], with_conv_shortcut=False, name="stage3." + str(i) + ".branches.2.0")x2 = basic_Block(x2, out_filters_list[2], with_conv_shortcut=False, name="stage3." + str(i) + ".branches.2.1")x2 = basic_Block(x2, out_filters_list[2], with_conv_shortcut=False, name="stage3." + str(i) + ".branches.2.2")x2 = basic_Block(x2, out_filters_list[2], with_conv_shortcut=False, name="stage3." + str(i) + ".branches.2.3")x0_0 = x0x0_1 = Conv2D(out_filters_list[0], 1, use_bias=False, kernel_initializer='he_normal', name="stage3." + str(i) + ".fuse_layers.0.1.0")(x1)x0_1 = BatchNormalization(epsilon=1e-5, name="stage3." + str(i) + ".fuse_layers.0.1.1")(x0_1)x0_1 = UpsampleLike(name="Upsample." + str(i) + ".2")([x0_1, x0_0])x0_2 = Conv2D(out_filters_list[0], 1, use_bias=False, kernel_initializer='he_normal', name="stage3." + str(i) + ".fuse_layers.0.2.0")(x2)x0_2 = BatchNormalization(epsilon=1e-5, name="stage3." + str(i) + ".fuse_layers.0.2.1")(x0_2)x0_2 = UpsampleLike(name="Upsample." + str(i) + ".3")([x0_2, x0_0])x0_out = add([x0_0, x0_1, x0_2])x0_out = Activation('relu')(x0_out)x1_0 = ZeroPadding2D(((1, 1),(1, 1)))(x0)x1_0 = Conv2D(out_filters_list[1], 3, strides=(2, 2), padding='valid', use_bias=False, kernel_initializer='he_normal', name="stage3." + str(i) + ".fuse_layers.1.0.0.0")(x1_0)x1_0 = BatchNormalization(epsilon=1e-5, name="stage3." + str(i) + ".fuse_layers.1.0.0.1")(x1_0)x1_1 = x1x1_2 = Conv2D(out_filters_list[1], 1, use_bias=False, kernel_initializer='he_normal', name="stage3." + str(i) + ".fuse_layers.1.2.0")(x2)x1_2 = BatchNormalization(epsilon=1e-5, name="stage3." + str(i) + ".fuse_layers.1.2.1")(x1_2)x1_2 = UpsampleLike(name="Upsample." + str(i) + ".4")([x1_2, x1_1])x1_out = add([x1_0, x1_1, x1_2])x1_out = Activation('relu')(x1_out)x2_0 = ZeroPadding2D(((1, 1),(1, 1)))(x0)x2_0 = Conv2D(out_filters_list[0], 3, strides=(2, 2), padding='valid', use_bias=False, kernel_initializer='he_normal', name="stage3." + str(i) + ".fuse_layers.2.0.0.0")(x2_0)x2_0 = BatchNormalization(epsilon=1e-5, name="stage3." + str(i) + ".fuse_layers.2.0.0.1")(x2_0)x2_0 = Activation('relu')(x2_0)x2_0 = ZeroPadding2D(((1, 1),(1, 1)))(x2_0)x2_0 = Conv2D(out_filters_list[2], 3, strides=(2, 2), padding='valid', use_bias=False, kernel_initializer='he_normal', name="stage3." + str(i) + ".fuse_layers.2.0.1.0")(x2_0)x2_0 = BatchNormalization(epsilon=1e-5, name="stage3." + str(i) + ".fuse_layers.2.0.1.1")(x2_0)x2_1 = ZeroPadding2D(((1, 1),(1, 1)))(x1)x2_1 = Conv2D(out_filters_list[2], 3, strides=(2, 2), padding='valid', use_bias=False, kernel_initializer='he_normal', name="stage3." + str(i) + ".fuse_layers.2.1.0.0")(x2_1)x2_1 = BatchNormalization(epsilon=1e-5, name="stage3." + str(i) + ".fuse_layers.2.1.0.1")(x2_1)x2_2 = x2x2_out = add([x2_0, x2_1, x2_2])x2_out = Activation('relu')(x2_out)x_list = [x0_out, x1_out, x2_out]return x_list

d、Section-4

Section-4是第四部分，用于进行进一步的特征提取，对应图中中间靠右的24个方块。如果将该部分进行详细绘制，其本质上应该是这样的。

对于输入进来的特征层，HRNetV2利用一个步长为(2, 2)、通道为256的卷积对[30, 30, 128]进行处理。此时，我们获得一个[15, 15, 256]的特征层。加上初始的三个特征层，我们存在四个特征层。

之后对这四个特征层，分别进行四次basic_Block的处理。这里用到的basic_Block，与Stage-2里面一样。然后利用[128, 128, 32]、[60, 60, 64]、[30, 30, 128]、[15, 15, 256]四个特征层，利用上采样和下采样建立密集连接，完成高度的特征融合。这个过程需要重复三次。

总体上，Section-3的构建代码如下：

def transition_layer3(x, out_filters_list=[32, 64, 128, 256]):x3 = ZeroPadding2D(((1, 1),(1, 1)))(x[2])x3 = Conv2D(out_filters_list[3], 3, strides=(2, 2), padding='valid', use_bias=False, kernel_initializer='he_normal', name="transition3.3.0.0")(x3)x3 = BatchNormalization(epsilon=1e-5, name="transition3.3.0.1")(x3)x3 = Activation('relu')(x3)return [x[0], x[1], x[2], x3]def make_stage4(x_list, num_modules, out_filters_list=[32, 64, 128, 256]):for i in range(num_modules):x0, x1, x2, x3 = x_listx0 = basic_Block(x0, out_filters_list[0], with_conv_shortcut=False, name="stage4." + str(i) + ".branches.0.0")x0 = basic_Block(x0, out_filters_list[0], with_conv_shortcut=False, name="stage4." + str(i) + ".branches.0.1")x0 = basic_Block(x0, out_filters_list[0], with_conv_shortcut=False, name="stage4." + str(i) + ".branches.0.2")x0 = basic_Block(x0, out_filters_list[0], with_conv_shortcut=False, name="stage4." + str(i) + ".branches.0.3")x1 = basic_Block(x1, out_filters_list[1], with_conv_shortcut=False, name="stage4." + str(i) + ".branches.1.0")x1 = basic_Block(x1, out_filters_list[1], with_conv_shortcut=False, name="stage4." + str(i) + ".branches.1.1")x1 = basic_Block(x1, out_filters_list[1], with_conv_shortcut=False, name="stage4." + str(i) + ".branches.1.2")x1 = basic_Block(x1, out_filters_list[1], with_conv_shortcut=False, name="stage4." + str(i) + ".branches.1.3")x2 = basic_Block(x2, out_filters_list[2], with_conv_shortcut=False, name="stage4." + str(i) + ".branches.2.0")x2 = basic_Block(x2, out_filters_list[2], with_conv_shortcut=False, name="stage4." + str(i) + ".branches.2.1")x2 = basic_Block(x2, out_filters_list[2], with_conv_shortcut=False, name="stage4." + str(i) + ".branches.2.2")x2 = basic_Block(x2, out_filters_list[2], with_conv_shortcut=False, name="stage4." + str(i) + ".branches.2.3")x3 = basic_Block(x3, out_filters_list[3], with_conv_shortcut=False, name="stage4." + str(i) + ".branches.3.0")x3 = basic_Block(x3, out_filters_list[3], with_conv_shortcut=False, name="stage4." + str(i) + ".branches.3.1")x3 = basic_Block(x3, out_filters_list[3], with_conv_shortcut=False, name="stage4." + str(i) + ".branches.3.2")x3 = basic_Block(x3, out_filters_list[3], with_conv_shortcut=False, name="stage4." + str(i) + ".branches.3.3")x0_0 = x0x0_1 = Conv2D(out_filters_list[0], 1, use_bias=False, kernel_initializer='he_normal', name="stage4." + str(i) + ".fuse_layers.0.1.0")(x1)x0_1 = BatchNormalization(epsilon=1e-5, name="stage4." + str(i) + ".fuse_layers.0.1.1")(x0_1)x0_1 = UpsampleLike(name="Upsample." + str(i) + ".5")([x0_1, x0_0])x0_2 = Conv2D(out_filters_list[0], 1, use_bias=False, kernel_initializer='he_normal', name="stage4." + str(i) + ".fuse_layers.0.2.0")(x2)x0_2 = BatchNormalization(epsilon=1e-5, name="stage4." + str(i) + ".fuse_layers.0.2.1")(x0_2)x0_2 = UpsampleLike(name="Upsample." + str(i) + ".6")([x0_2, x0_0])x0_3 = Conv2D(out_filters_list[0], 1, use_bias=False, kernel_initializer='he_normal', name="stage4." + str(i) + ".fuse_layers.0.3.0")(x3)x0_3 = BatchNormalization(epsilon=1e-5, name="stage4." + str(i) + ".fuse_layers.0.3.1")(x0_3)x0_3 = UpsampleLike(name="Upsample." + str(i) + ".7")([x0_3, x0_0])x0_out = add([x0_0, x0_1, x0_2, x0_3])x0_out = Activation('relu')(x0_out)x1_0 = ZeroPadding2D(((1, 1),(1, 1)))(x0)x1_0 = Conv2D(out_filters_list[1], 3, strides=(2, 2), padding='valid', use_bias=False, kernel_initializer='he_normal', name="stage4." + str(i) + ".fuse_layers.1.0.0.0")(x1_0)x1_0 = BatchNormalization(epsilon=1e-5, name="stage4." + str(i) + ".fuse_layers.1.0.0.1")(x1_0)x1_1 = x1x1_2 = Conv2D(out_filters_list[1], 1, use_bias=False, kernel_initializer='he_normal', name="stage4." + str(i) + ".fuse_layers.1.2.0")(x2)x1_2 = BatchNormalization(epsilon=1e-5, name="stage4." + str(i) + ".fuse_layers.1.2.1")(x1_2)x1_2 = UpsampleLike(name="Upsample." + str(i) + ".8")([x1_2, x1_1])x1_3 = Conv2D(out_filters_list[1], 1, use_bias=False, kernel_initializer='he_normal', name="stage4." + str(i) + ".fuse_layers.1.3.0")(x3)x1_3 = BatchNormalization(epsilon=1e-5, name="stage4." + str(i) + ".fuse_layers.1.3.1")(x1_3)x1_3 = UpsampleLike(name="Upsample." + str(i) + ".9")([x1_3, x1_1])x1_out = add([x1_0, x1_1, x1_2, x1_3])x1_out = Activation('relu')(x1_out)x2_0 = ZeroPadding2D(((1, 1),(1, 1)))(x0)x2_0 = Conv2D(out_filters_list[0], 3, strides=(2, 2), padding='valid', use_bias=False, kernel_initializer='he_normal', name="stage4." + str(i) + ".fuse_layers.2.0.0.0")(x2_0)x2_0 = BatchNormalization(epsilon=1e-5, name="stage4." + str(i) + ".fuse_layers.2.0.0.1")(x2_0)x2_0 = Activation('relu')(x2_0)x2_0 = ZeroPadding2D(((1, 1),(1, 1)))(x2_0)x2_0 = Conv2D(out_filters_list[2], 3, strides=(2, 2), padding='valid', use_bias=False, kernel_initializer='he_normal', name="stage4." + str(i) + ".fuse_layers.2.0.1.0")(x2_0)x2_0 = BatchNormalization(epsilon=1e-5, name="stage4." + str(i) + ".fuse_layers.2.0.1.1")(x2_0)x2_1 = ZeroPadding2D(((1, 1),(1, 1)))(x1)x2_1 = Conv2D(out_filters_list[2], 3, strides=(2, 2), padding='valid', use_bias=False, kernel_initializer='he_normal', name="stage4." + str(i) + ".fuse_layers.2.1.0.0")(x2_1)x2_1 = BatchNormalization(epsilon=1e-5, name="stage4." + str(i) + ".fuse_layers.2.1.0.1")(x2_1)x2_2 = x2x2_3 = Conv2D(out_filters_list[2], 1, use_bias=False, kernel_initializer='he_normal', name="stage4." + str(i) + ".fuse_layers.2.3.0")(x3)x2_3 = BatchNormalization(epsilon=1e-5, name="stage4." + str(i) + ".fuse_layers.2.3.1")(x2_3)x2_3 = UpsampleLike(name="Upsample." + str(i) + ".10")([x2_3, x2_2])x2_out = add([x2_0, x2_1, x2_2, x2_3])x2_out = Activation('relu')(x2_out)x3_0 = ZeroPadding2D(((1, 1),(1, 1)))(x0)x3_0 = Conv2D(out_filters_list[0], 3, strides=(2, 2), padding='valid', use_bias=False, kernel_initializer='he_normal', name="stage4." + str(i) + ".fuse_layers.3.0.0.0")(x3_0)x3_0 = BatchNormalization(epsilon=1e-5, name="stage4." + str(i) + ".fuse_layers.3.0.0.1")(x3_0)x3_0 = Activation('relu')(x3_0)x3_0 = ZeroPadding2D(((1, 1),(1, 1)))(x3_0)x3_0 = Conv2D(out_filters_list[0], 3, strides=(2, 2), padding='valid', use_bias=False, kernel_initializer='he_normal', name="stage4." + str(i) + ".fuse_layers.3.0.1.0")(x3_0)x3_0 = BatchNormalization(epsilon=1e-5, name="stage4." + str(i) + ".fuse_layers.3.0.1.1")(x3_0)x3_0 = Activation('relu')(x3_0)x3_0 = ZeroPadding2D(((1, 1),(1, 1)))(x3_0)x3_0 = Conv2D(out_filters_list[3], 3, strides=(2, 2), padding='valid', use_bias=False, kernel_initializer='he_normal', name="stage4." + str(i) + ".fuse_layers.3.0.2.0")(x3_0)x3_0 = BatchNormalization(epsilon=1e-5, name="stage4." + str(i) + ".fuse_layers.3.0.2.1")(x3_0)x3_1 = ZeroPadding2D(((1, 1),(1, 1)))(x1)x3_1 = Conv2D(out_filters_list[1], 3, strides=(2, 2), padding='valid', use_bias=False, kernel_initializer='he_normal', name="stage4." + str(i) + ".fuse_layers.3.1.0.0")(x3_1)x3_1 = BatchNormalization(epsilon=1e-5, name="stage4." + str(i) + ".fuse_layers.3.1.0.1")(x3_1)x3_1 = Activation('relu')(x3_1)x3_1 = ZeroPadding2D(((1, 1),(1, 1)))(x3_1)x3_1 = Conv2D(out_filters_list[3], 3, strides=(2, 2), padding='valid', use_bias=False, kernel_initializer='he_normal', name="stage4." + str(i) + ".fuse_layers.3.1.1.0")(x3_1)x3_1 = BatchNormalization(epsilon=1e-5, name="stage4." + str(i) + ".fuse_layers.3.1.1.1")(x3_1)x3_2 = ZeroPadding2D(((1, 1),(1, 1)))(x2)x3_2 = Conv2D(out_filters_list[3], 3, strides=(2, 2), padding='valid', use_bias=False, kernel_initializer='he_normal', name="stage4." + str(i) + ".fuse_layers.3.2.0.0")(x3_2)x3_2 = BatchNormalization(epsilon=1e-5, name="stage4." + str(i) + ".fuse_layers.3.2.0.1")(x3_2)x3_3 = x3x3_out = add([x3_0, x3_1, x3_2, x3_3])x3_out = Activation('relu')(x3_out)x_list = [x0_out, x1_out, x2_out, x3_out]return x_list

2、特征整合部分

通过主干部分的构建，我们最终会在Section-4之后获得4个有效特征层。四个有效特征层的形状为：
[128, 128, 32]、[60, 60, 64]、[30, 30, 128]、[15, 15, 256]。

在该部分，我们会对四个有效特征层进行特征融合。首先对[60, 60, 64]、[30, 30, 128]、[15, 15, 256]三个有效特征层进行上采样，调整成高宽为128×128。然后将调整后的特征层进行堆叠。

即将：[128, 128, 32]、[128, 128, 64]、[128, 128, 128]、[128, 128, 256]四个特征层进行堆叠。之后再利用一个卷积+标准化+激活函数进行特征整合。

inputs = Input(shape=input_shape)x, num_filters = HRnet_Backbone(inputs, backbone)x0_0 = x[0]x0_1 = UpsampleLike()([x[1], x[0]])x0_2 = UpsampleLike()([x[2], x[0]])x0_3 = UpsampleLike()([x[3], x[0]])x = Concatenate(axis=-1)([x0_0, x0_1, x0_2, x0_3])x = Conv2D(np.sum(num_filters), 1, strides=(1, 1))(x)x = BatchNormalization(epsilon=1e-5)(x)x = Activation("relu")(x)

3、利用特征获得预测结果

利用1、2步，我们可以获取输入进来的图片的特征，此时，我们需要利用特征获得预测结果。

利用特征获得预测结果的过程可以分为2步：
1、利用一个1×1卷积进行通道调整，调整成Num_Classes。
2、利用resize进行上采样使得最终输出层，宽高和输入图片一样。

x = Conv2D(num_classes, 1, strides=(1, 1))(x)shape = tf.keras.backend.int_shape(inputs)x = Lambda(lambda xx : tf.image.resize_images(xx, shape[1:3], align_corners=True))(x)x = Softmax()(x)model = Model(inputs, x, name="HRnet")return model

二、训练部分

1、训练文件详解

我们使用的训练文件采用VOC的格式。
语义分割模型训练的文件分为两部分。
第一部分是原图，像这样：

第二部分标签，像这样：

原图就是普通的RGB图像，标签就是灰度图或者8位彩色图。

原图的shape为[height, width, 3]，标签的shape就是[height, width]，对于标签而言，每个像素点的内容是一个数字，比如0、1、2、3、4、5……，代表这个像素点所属的类别。

语义分割的工作就是对原始的图片的每一个像素点进行分类，所以通过预测结果中每个像素点属于每个类别的概率与标签对比，可以对网络进行训练。

2、LOSS解析

本文所使用的LOSS由两部分组成：
1、Cross Entropy Loss。
2、Dice Loss。

Cross Entropy Loss就是普通的交叉熵损失，当语义分割平台利用Softmax对像素点进行分类的时候，进行使用。

Dice loss将语义分割的评价指标作为Loss，Dice系数是一种集合相似度度量函数，通常用于计算两个样本的相似度，取值范围在[0,1]。

计算公式如下：

就是预测结果和真实结果的交乘上2，除上预测结果加上真实结果。其值在0-1之间。越大表示预测结果和真实结果重合度越大。所以Dice系数是越大越好。

如果作为LOSS的话是越小越好，所以使得Dice loss = 1 – Dice，就可以将Loss作为语义分割的损失了。
实现代码如下：

def dice_loss_with_CE(beta=1, smooth = 1e-5):def _dice_loss_with_CE(y_true, y_pred):y_pred = K.clip(y_pred, K.epsilon(), 1.0 - K.epsilon())CE_loss = - y_true[...,:-1] * K.log(y_pred)CE_loss = K.mean(K.sum(CE_loss, axis = -1))tp = K.sum(y_true[...,:-1] * y_pred, axis=[0,1,2])fp = K.sum(y_pred , axis=[0,1,2]) - tpfn = K.sum(y_true[...,:-1], axis=[0,1,2]) - tpscore = ((1 + beta ** 2) * tp + smooth) / ((1 + beta ** 2) * tp + beta ** 2 * fn + fp + smooth)score = tf.reduce_mean(score)dice_loss = 1 - score# dice_loss = tf.Print(dice_loss, [dice_loss, CE_loss])return CE_loss + dice_lossreturn _dice_loss_with_CE

训练自己的HRNetV2模型

首先前往Github下载对应的仓库，下载完后利用解压软件解压，之后用编程软件打开文件夹。
注意打开的根目录必须正确，否则相对目录不正确的情况下，代码将无法运行。
一定要注意打开后的根目录是文件存放的目录。

一、数据集的准备

本文使用VOC格式进行训练，训练前需要自己制作好数据集，如果没有自己的数据集，可以通过Github连接下载VOC12+07的数据集尝试下。
训练前将图片文件放在VOCdevkit文件夹下的VOC2007文件夹下的JPEGImages中。
训练前将标签文件放在VOCdevkit文件夹下的VOC2007文件夹下的SegmentationClass中。

二、数据集的处理

在完成数据集的摆放之后，我们需要对数据集进行下一步的处理，目的是获得训练用的train.txt以及val.txt，需要用到根目录下的voc_annotation.py。

如果下载的是我上传的voc数据集，那么就不需要运行根目录下的voc_annotation.py。
如果是自己制作的数据集，那么需要运行根目录下的voc_annotation.py，从而生成train.txt和val.txt。

三、开始网络训练

通过voc_annotation.py我们已经生成了train.txt以及val.txt，此时我们可以开始训练了。训练的参数较多，大家可以在下载库后仔细看注释，其中最重要的部分依然是train.py里的num_classes。

num_classes用于指向检测类别的个数+1！训练自己的数据集必须要修改！

除此之外在train.py文件夹下面，选择自己要使用的主干模型backbone、预训练权重model_path和下采样因子downsample_factor。预训练模型需要和主干模型相对应。下采样因子可以在8和16中选择。

之后就可以开始训练了。

四、训练结果预测

训练结果预测需要用到两个文件，分别是deeplab.py和predict.py。
我们首先需要去deeplab.py里面修改model_path以及num_classes，这两个参数必须要修改。

model_path指向训练好的权值文件，在logs文件夹里。
num_classes指向检测类别的个数+1。

完成修改后就可以运行predict.py进行检测了。运行后输入图片路径即可检测。