本文作者引入了上下文编码模块（Context Encoding Module），在语义分割任务中利用全局上下文信息来提升语义分割的效果。本次复现赛要求是在Cityscapes验证集上miou为78.55%，本次复现的miou为79.42%，该算法已被PaddleSeg收录。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
【论文复现赛】ENCNet:Context Encoding for Semantic Segmentation
本文作者引入了上下文编码模块（Context Encoding Module），在语义分割任务中利用全局上下文信息来提升语义分割的效果。本次复现赛要求是在Cityscapes验证集上miou为78.55%，本次复现的miou为79.42%，该算法已被PaddleSeg收录。一、引言
PSPNet通过SPP（Spatial Pyramid polling）模块得到不同尺寸的特征图，然后将不同尺寸的特征图结合扩大感受野；DeepLab利用ASPP（Atrous Spatial Pyramid Pooling）来扩大感受野。但是ENCNet提出了一个问题：“Is capturing contextual information the same as increasing the receptive field size?”（增加感受野等于捕获上下文信息吗？）。作者提出一个想法：利用图片的上下文信息来减少图片中像素种类的搜索空间。比如一张卧室的图片，那么该图片中有床、椅子等物体的可能性就会比汽车、湖面等其他物体的概率大很多。本文提出了Context Encoding Module和Semantic Encoding Loss(SE-loss)来学习上下文信息。
二、网络结构
上图为ENCNet的网络结构，主要包括Context Encoding Module, Featuremap Attention和Semantic Encoding Loss。
Context Encoding Module：该模块对输入的特征图进行编码得到编码后的语义向量(原文中叫做encoded semantics)，得到的语义向量有2个用处，第一个是送入Featuremap Attention用作注意力机制的权重，另一个用处是用于计算Semantic Encoding Loss。
Featuremap Attention：该模块使得模型更注重于信息量大的channel特征，抑制不重要的channel特征。例如在一张背景为天空的图片中，存在飞机的可能性就会比汽车的可能性大。
Semantic Encoding Loss：像素级的交叉熵损失函数无法考虑到全局信息，可能会导致小目标无法正常识别，而SELoss可以平等的考虑不同大小的目标。SELoss损失的target是一个（N, NUM_CLASSES）的矩阵，它的构造也很简单，如果图片中存在某种物体，则对应的target的标签就为1。
三、实验结果
上图为ENCNet在ADE20K数据集的预测结果，与FCN对比，可以看出ENCNet利用全局语义信息的显著优点：
1、第一行图片中，FCN将sand分类成了earth，ENCNet利用了全局信息(海边大概率存在沙)正确分类；
2、第二、四行图片中，FCN很难区分building,house和skyscraper这3类；
3、第三行，FCN将 windowpane分类成door。
四、核心代码
class Encoding(nn.Layer):
def __init__(self, channels, num_codes):
super().__init__()
self.channels, self.num_codes = channels, num_codes
std = 1 / ((channels * num_codes) ** 0.5)
self.codewords = self.create_parameter(
shape=(num_codes, channels),
default_initializer=nn.initializer.Uniform(-std, std),
) # 编码
self.scale = self.create_parameter(
shape=(num_codes,),
default_initializer=nn.initializer.Uniform(-1, 0),
) # 缩放因子
self.channels = channels def scaled_l2(self, x, codewords, scale):
num_codes, channels = paddle.shape(codewords)
reshaped_scale = scale.reshape([1, 1, num_codes])
expanded_x = paddle.tile(x.unsqueeze(2), [1, 1, num_codes, 1])
reshaped_codewords = codewords.reshape([1, 1, num_codes, channels])
scaled_l2_norm = paddle.multiply(reshaped_scale, (expanded_x - reshaped_codewords).pow(2).sum(axis=3)) return scaled_l2_norm def aggregate(self, assignment_weights, x, codewords):
num_codes, channels = paddle.shape(codewords)
reshaped_codewords = codewords.reshape([1, 1, num_codes, channels])
expanded_x = paddle.tile(x.unsqueeze(2), [1, 1, num_codes, 1])
encoded_feat = paddle.multiply(assignment_weights.unsqueeze(3), (expanded_x - reshaped_codewords)).sum(axis=1)
encoded_feat = paddle.reshape(encoded_feat, [-1, self.num_codes, self.channels]) return encoded_feat
def forward(self, x):
x_dims = x.ndim assert x_dims == 4, "The dimension of input tensor must equal 4, but got {}.".format(x_dims) assert paddle.shape(x)[1] == self.channels, "Encoding channels error, excepted {} but got {}.".format(self.channels, paddle.shape(x)[1])
batch_size = paddle.shape(x)[0]
x = x.reshape([batch_size, self.channels, -1]).transpose([0, 2, 1])
assignment_weights = F.softmax(self.scaled_l2(x, self.codewords, self.scale), axis=2)
encoded_feat = self.aggregate(assignment_weights, x, self.codewords) return encoded_feat五、ENCNet快速体验
1、解压cityscapes数据集；
2、训练ENCNet，本论文的复现环境是Tesla V100 * 4，想要完整的复现结果请移步脚本任务；
3、验证训练结果，如果想要验证复现的结果，需要下载权重，并放入output/best_model文件夹内（权重超出150MB限制，可以分卷压缩上传）。
# step 1: unzip data%cd ~/data/data64550 !tar -xf cityscapes.tar %cd ~/
# step 2: training%cd ~/ENCNet_paddle/ !python train.py --config configs/encnet/encnet_cityscapes_1024x512_80k.yml --num_workers 16 --do_eval --use_vdl --log_iter 20 --save_interval 5000
# step 3: val%cd ~/ENCNet_paddle/ !python val.py --config configs/encnet/encnet_cityscapes_1024x512_80k.yml --model_path output/best_model/model.pdparams
六、复现结果
本次复现的目标是Cityscapes 验证集miou 78.55%，复现的为miou 79.42%。
环境：
Tesla V100 *4
PaddlePaddle==2.2.0
| Model | Backbone | Resolution | Training Iters | mIoU | mIoU (flip) | mIoU (ms+flip) | Links |
|---|---|---|---|---|---|---|---|
| ENCNet | ResNet101_vd | 1024x512 | 80000 | 79.42% | 80.02% | - | model | log| vdl |
