Boundary Aware PoolNet = PoolNet + BASNet，即使用BASNet中的Deep Supervision策略和Hybrid Loss改进PoolNet。
为理解Boundary Aware PoolNet还是需要全面理解PoolNet的，因此本文将对PoolNet的模型结构及其代码实现进行介绍。
相关文章汇总：
PoolNet
PoolNet的论文名称为：A Simple Pooling-Based Design for Real-Time Salient Object Detection，该论文来自南开程明明老师的实验室。
传送门
- PoolNet论文：https://arxiv.org/abs/1904.09569
- PoolNet代码：https://github.com/backseason/PoolNet
- PoolNet论文阅读笔记：https://zhuanlan.zhihu.com/p/358445121
用一句话概括PoolNet
PoolNet基于FPN(Feature Pyramid Network，特征金字塔网络)构造了GGM(Global Guidance Module，全局指导模块)和FAM(Feature Aggregation Module，特征聚合模块)2个模块，实现了显著性目标检测。
PoolNet结构
PoolNet模型结构如下图所示，其包括：
-
GGM(下图中，“P”指PPM，橙色箭头指GGF)
-
FAM(即下图中的“A”)
-
FPN(即下图中的U型结构)
因此下图中GGM、FAM之外的部分就是FPN。
GGM和FAM
如上图所示，GGM包括PPM(Pyramid pooling module，金字塔池化模块)和GGF(Global Guiding Flows，全局指导流)，其作用是在FPN自底向上路径的顶部提取显著目标的位置信息并将其提供给FPN自顶向下路径中的不同金字塔层；FAM位于FPN自顶向下路径中FUSE操作之前，其作用是使来自GGM的特征与FPN自顶向下路径中不同金字塔层的特征更好地融合。
代码
PoolNet的代码在文件./networks/poolnet.py中的类PoolNet中，其调用了Backbone(比如ResNet50)、GGM、FAM等各个模块。
注意：学习代码时不只可以看PoolNet官方代码，还可以看我的Boundary Aware PoolNet的代码(包含详细中文注释，链接：https://github.com/chouxianyu/Boundary-Aware-PoolNet)。
接下来将分别介绍PoolNet模型中各个模块的理论和代码。
FPN
传送门
- FPN论文：https://arxiv.org/abs/1612.03144
- ResNet论文：https://arxiv.org/abs/1512.03385
- FPN论文阅读笔记：https://zhuanlan.zhihu.com/p/354140540
- ResNet论文阅读笔记：https://zhuanlan.zhihu.com/p/353228657
- ResNet50网络结构图及结构详解：https://zhuanlan.zhihu.com/p/353235794
FPN结构
FPN即Feature Pyramid Network(特征金字塔网络)，其结构如下图所示。FPN包含1条自底向上路径(从此输入)和1条自顶向下路径(得到输出)，形成1种U型结构。
自底向上路径
图片从该路径输入，经过卷积等一系列操作，特征的尺寸越来越小、通道数越来越多。上图所示的自底向上路径中有5个长方体，这并不代表该路径中只有5层，而是表明在一系列操作中选出5层特征图以进一步利用。当然了，也可以选择数量更多或更少的层。
自顶向下路径
自顶向下路径由多个FUSE操作组成，上图所示的自顶向下路径中包含4个FUSE操作(数量与自底向上路径中选取的层的数量对应)，将最后1个FUSE操作的输出作为整个模型的输出。
FUSE
一般FPN的FUSE操作有2个输入，其一是自底向上路径中的特征(对其进行1×1卷积)，其二是自顶向下路径中上1个FUSE操作的输出(对其进行上采样)，分别对这2个输入进行1×1卷积和上采样再将两者相加，最后进行3×3卷积得到该FUSE操作的输出。
注意：因为PoolNet引入了GGM，所以PoolNet中的FUSE操作有3个输入(除了上述的2个输入还有1个输入是GGF的输出)，因此PoolNet中FPN的FUSE操作如下图所示(绿色箭头代表GGF，可以将上采样理解为GGF的一部分)。
Backbone
FPN更多是一种结构而非一种网络，基于FPN这种U型结构，我们可以更换Backbone(骨干网络)。什么是Backbone呢？暂时你可以将Backbone理解为自底向上路径中的网络。常见的Backbone有VGG16、ResNet系列网络等。PoolNet作者使用了VGG16和RestNet50。
代码
由上可知，FPN结构可以分为自底向上路径和自顶向下路径。
自底向上路径即Backbone，ResNet50的代码在文件./networks/deeplab_resnet.py中的类ResNet中，VGG16的代码在文件./networks/vgg.py中的类vgg16中。
自顶向下路径由多个FUSE操作形成，PoolNet作者将FUSE操作的代码与FAM的代码一起放在了文件./networks/poolnet.py中的类DeepPoolLayer中。
FPN自底向上路径和自顶向下路径中间还有一个1×1卷积，PoolNet作者将该1×1卷积的代码和GGM的代码放在了一起。
注意：学习代码时不只可以看PoolNet官方代码，还可以看我的Boundary Aware PoolNet的代码(包含详细中文注释，链接：https://github.com/chouxianyu/Boundary-Aware-PoolNet)。
GGM
由前文可知，GGM包括PPM(Pyramid pooling module，金字塔池化模块)和GGF(Global Guiding Flows，全局指导流)，其作用是在FPN自底向上路径的顶部提取显著目标的位置信息并将其提供给FPN自顶向下路径中的不同金字塔层。
传送门
- PSPNet论文(PPM出处)：https://arxiv.org/abs/1612.01105
- PSPNet论文阅读笔记：https://zhuanlan.zhihu.com/p/354860476
PPM
PPM由PSPNet一文提出。PoolNet中使用的是修改过的PPM，其位置在自底向上路径的顶部。
PoolNet中使用的PPM包括4个子分支，PoolNet中PPM的实现如下(可结合代码理解)：
-
用4个分支对Backbone的输出进行处理
第1个分支为恒等映射层(即不进行处理)；后3个分支分别为输出尺寸为1×1的平均池化层(即全局平均池化层)、输出尺寸为3×3的平均池化层、输出尺寸为5×5的平均池化层，并且这3个平均池化层后面都有一个1×1卷积(不改变通道数)、ReLU、上采样层(使尺寸与Backbone输出的尺寸一致)。
-
将4个分支的输出拼接
首先在通道维度上将4个子分支的输出拼接，然后用3×3卷积使通道数与Backbone输出的通道数一致，再加上1个ReLU。
由上可知，PPM输出特征的尺寸、通道数与输入相同。
注意：FPN自底向上路径和自顶向下路径中间还有一个1×1卷积，PoolNet作者将这个1×1卷积放在了PPM之前。
GGF
当Backbone为ResNet50时，则需要4个GGF。
每个GGF的输入都是PPM的输出，不同GGF之间的区别是输出特征的尺寸、通道数不相同同。
每个GGF的组成为：上采样(使尺寸与对应金字塔层的尺寸一致)、3×3卷积、ReLU。
代码
FPN自底向上路径和自顶向下路径中间的1×1卷积、PPM、GGF的代码都位于类Backbone_locate中。如果Backbone是ResNet50则代码位于文件./networks/deeplab_resnet.py的类ResNet_locate中，如果Backbone是VGG16则代码位于文件./networks/vgg.py的类vgg16_locate中。
注意：学习代码时不只可以看PoolNet官方代码，还可以看我的Boundary Aware PoolNet的代码(包含详细中文注释，链接：https://github.com/chouxianyu/Boundary-Aware-PoolNet)。
FAM
由上可知，PoolNet作者在FPN自顶向下路径中每个FUSE操作前引入了FAM，其可以使来自GGM的特征与FPN自顶向下路径中不同金字塔层的特征更好地融合。
每个FAM包含4个子分支，如上图所示，其实现如下：
-
用4个分支对输入进行处理
第1个分支为恒等映射层(即不进行处理)；后3个分支分别为下采样比例为2/4/8的平均池化层，每个平均池化层后为一个3×3卷积(不改变特征的通道数和尺寸)和上采样层(使尺寸与输入特征的尺寸一致)
-
将4个分支的输出相加，再送入一个3×3卷积(根据设置改变或不改变通道数)
FAM和FPN的FUSE操作的代码在文件./networks/poolnet.py中的类DeepPoolLayer中。
注意：学习代码时不只可以看PoolNet官方代码，还可以看我的Boundary Aware PoolNet的代码(包含详细中文注释，链接：https://github.com/chouxianyu/Boundary-Aware-PoolNet)。
Github（github.com）：@chouxianyu
Github Pages（github.io）：@臭咸鱼
知乎（zhihu.com）：@臭咸鱼
博客园（cnblogs.com）：@臭咸鱼
B站（bilibili.com）：@绝版臭咸鱼
微信公众号：@臭咸鱼
转载请注明出处，欢迎讨论和交流!