原标题：「图像分割模型」看LSTM-CF中如何将LSTM用于图像分割
这是专栏《图像分割模型》的第10篇文章。在这里，我们将共同探索解决分割问题的主流网络结构和设计思想。
深度信息的引入往往会给分割带来更好的结果。之前提到的ENet除了直接变成ReSeg分割网络，同样也可以结合RGB-D信息实现更准确的分割。
作者 | 孙叔桥
编辑 | 言有三
本期论文：《LSTM-CF: Unifying Context Modeling and Fusion with LSTMs for RGB-D Scene Labeling》
前面我们已经讨论过许多基于RGB信息的分割网络了，今天就来谈谈RGB-D分割。RGB-D分割中的D指的是“Depth”，即“深度”，也就是相机到物体在实际空间中的距离。
那么既然RGB信息已经能够实现分割，为什么要用到深度信息呢？原因很简单：引入深度信息后，其提供的额外结构信息能够有效辅助复杂和困难场景下的分割。比如，与室外场景相比，由于语义类别繁杂、遮挡严重、目标外观差异较大等原因，室内场景的分割任务要更难实现。此时，在结合深度信息的情况下，能够有效降低分割的难度。
虽然道理容易，但是如何实现RGB-D分割还是有些问题需要解决的：
- 如何有效地表述和融合共存的深度和光度（RGB）数据
- 如何在特征学习过程中有效获取全局场景上下文
下面我们就通过LSTM-CF网络结构来了解一下，如何实现RGB-D下的分割。
上一篇文章我们已经介绍过了ReNet，这里简单回顾一下。ReNet是通过在两个正交方向上级联应用RNN来获取图像中的2D依赖项。ReNet的具体实现方式如下图所示：
基于ReNet，LSTM-CF利用长短时间记忆和DeepLab实现分割。LSTM-DF主要包括四个部分：用于竖直深度上下文提取的层，用于竖直光度上下文提取的层，用于整合光度和深度上下文成2D全局上下文的记忆融合层，和像素级场景分割层。
下图是LSTM-CF网络模型：
输入深度信息后，LSTM-CF利用HHA描述，将深度信息转换成视差、表面法线和高这三个通道的信息。随后，利用ReNet提取不同方向上的上下文信息，并在两个方向进行双向传播。
与此同时，对于RGB通道信息，网络利用如上图所示的卷积结构提取特征，利用插值将各级特征恢复到相同分辨率下，并级联。之后，同样利用ReNet获取上下文信息。
细心的读者可能注意到了，RGB通道比深度通道多出了两层。这是因为，考虑到光度图像比离散、稀疏的深度图像包含的信息多，网络对光度图像分支给予更多的关注。
概括起来，LSTM-CF的分割流程可以总结为下图的形式：
为了验证深度信息和长短信息记忆等模块对于分割任务的影响，LSTM-CF对网络结构进行了剥离实验。下图是实验结果：
可见，分割的主要精度还是来源于RGB信息的，但是引入了深度信息和上下文信息后，网络的精度能够得到一定的提升。
下图是LSTM-CF在SUNRGBD数据库下的实验结果：
第一行为图像，第二行为真值，第三行为LSTM-CF分割结果
经过10期的介绍，语义分割问题上应该了解的基础网络结构就基本说完了。下一期我们来聊聊与语义分割稍有差异的实例分割网络结构。
责任编辑：
