来源：OpenCV学堂
作者：gloomyfish
前言
OpenCV DNN模块支持的图像语义分割网络FCN是基于VGG16作为基础网络，运行速度很慢，无法做到实时语义分割。2016年提出的ENet实时语义分割网络基于编码与解码的网络语义分割方式，类似UNet网络，通过构建自定义Block块，在Cityscapes, CamVid, SUN数据集上实现了性能与实时双提高。
ENet网络结构
作者从ResNet网络结构设计中收到启发，定义两个新的Block结构，如下：
其中a是初始Block，非重叠2x2最大池化，左侧卷积步长为2，然后13个filters之连接合并，该结构注意是收到了Inception改进模型的启发。B是ENet的bottleneck模块，其中卷积可能是正常卷积、空洞卷积、反卷积，使用3x3或者5x5的filters，最终合并在一起是按空间位置相加。两个1x1的卷积分别用来降低维度与扩展，使用BN/Dropout正则化，PReLU非线性激活。最终的ENet网络模型结构如下：
其中stage2跟stage3结构相同，stage4跟stage5属于解码部分。
设计考量
常见的深度学习语义分割模型在下采样操作上的两个缺点：一是降低Feature Map的分辨率会导致图像空间信息损失，特别是图像边缘信息，这个对语义分割精度有明显影响；二是像素级别的语义分割网络要求输入跟输出的分辨率保持一致，这个就要求强的下采样跟强的上采样必须对称，这个增加了模型的计算与参数量。其中第一个问题在FCN与SegNet网络中通过在编码阶段叠加Feature Map与在解码阶段通过稀疏上采样来抑制，但是强的下采样依然对整个语义分割精度有伤害，要在设计时候适当的加以限制。
但是下采样同样可以帮助获得较大的感受野，区分不同的类别，作者发现空洞卷积在这个方面特别有帮助，ENet为了获得实时性能，采用了早期下采样策略来降低计算SegNet跟UNet都是对称的网络结构，ENet采用大的编码网络，小的解码网络实现的不对称结构，编码网络实现分类任务，解码网络主要是优化细节，更好的输出结果。
此外作者在设计过程中还考虑了非线性激活、空洞卷积、正则化方式的影响。
数据对比实验
最终模型与SegNet的对比实验结果如下：
速度性能
参数总量与模型大小
精度对比
OpenCV DNN使用ENet道路分割
OpenCV DNN模块从OpenCV4.0版本开始支持ENet网络模型加载与解析，其中的道路分割模型可以从下面的地址下载：
https://github.com/e-lab/ENet-training在OpenCV DNN使用该模型时转换Blob输入相关参数信息如下：
- mean: [0, 0, 0]
- scale: 0.00392
- width: 512
- height: 256
- rgb: true
- classes: "enet-classes.txt"
其中分类文件enet-classes.txt可以从OpenCV的sample/data/dnn中发现。输出的数据格式为:Nx20xHxW，其中N=1表示每次输入的一张图像，20是基于Cityscapes数据集训练的20个类别标签，H跟W是输入时图像分辨率（512x256）。
最初版本代码实现
该代码实现是来自C++版本的翻译，完整的演示代码如下：
# load CNN modelbin_model = "D:/projects/models/enet/model-best.net";net = cv.dnn.readNetFromTorch(bin_model)# read input dataframe = cv.imread("D:/images/software.jpg");blob = cv.dnn.blobFromImage(frame, 0.00392, (512, 256), (0, 0, 0), True, False);cv.imshow("input", frame)# Run a modelnet.setInput(blob)score = net.forward()# Put efficiency information.t, _ = net.getPerfProfile()label = 'Inference time: %.2f ms' % (t * 1000.0 / cv.getTickFrequency())print(score.shape)# generate color tablecolor_lut = []n, con, h, w = score.shapefor i in range(con): b = np.random.randint(0, 256) g = np.random.randint(0, 256) r = np.random.randint(0, 256) color_lut.append((b, g, r))maxCl = np.zeros((h, w), dtype=np.int32);maxVal = np.zeros((h, w), dtype=np.float32);# find max score for 20 channels on pixel-wisefor i in range(con): for row in range(h): for col in range(w): t = maxVal[row, col] s = score[0, i, row, col] if s > t: maxVal[row, col] = s maxCl[row, col] = i# colorful the segmentation imagesegm = np.zeros((h, w, 3), dtype=np.uint8)for row in range(h): for col in range(w): index = maxCl[row, col] segm[row, col] = color_lut[index]h, w = frame.shape[:2]segm = cv.resize(segm, (w, h), None, 0, 0, cv.INTER_NEAREST)print(segm.shape, frame.shape)frame = cv.addWeighted(frame, 0.2, segm, 0.8, 0.0)cv.putText(frame, label, (0, 15), cv.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0))cv.imshow("ENet-Demo", frame)cv.imwrite("D:/result.png", frame)cv.waitKey(0)cv.destroyAllWindows()总的来说比较啰嗦！
修改后代码熟实现
上面是我在2019年3月份时候在 OpenCV研习社 的代码分享，当时主要是把C++代码直接翻译过来，并没有太多考虑，今天又重新看了一下感觉自己写了点垃圾代码，所以重新整理了一下，把输出解析的部分基于Numpy跟OpenCV-Python函数做了简化，最终得到的代码如下：
1# load CNN model 2bin_model = "D:/projects/models/enet/model-best.net"; 3net = cv.dnn.readNetFromTorch(bin_model) 4# read input data 5frame = cv.imread("D:/images/spacecity.png"); 6blob = cv.dnn.blobFromImage(frame, 0.00392, (512, 256), (0, 0, 0), True, False); 7cv.imshow("input", frame) 8h, w, c = frame.shape 910# Run a model11net.setInput(blob)12score = net.forward()13# Put efficiency information.14t, _ = net.getPerfProfile()15label = 'Inference time: %.2f ms' % (t * 1000.0 / cv.getTickFrequency())16score = np.squeeze(score)17score = score.transpose((1, 2, 0))18score = np.argmax(score, 2)19mask = np.uint8(score)20mask = cv.cvtColor(mask, cv.COLOR_GRAY2BGR)21cv.normalize(mask, mask, 0, 255, cv.NORM_MINMAX)22cmask = cv.applyColorMap(mask, cv.COLORMAP_JET)23cmask = cv.resize(cmask, (w, h))24dst = cv.addWeighted(frame, 0.7, cmask, 0.3, 0)25cv.putText(dst, label, (50, 50), cv.FONT_HERSHEY_SIMPLEX, 0.75, (0, 0, 255), 2)26cv.imshow("dst", dst)27cv.waitKey(0)运行结果如下：
总的执行时间也大大减少，主要去除了一些无谓的循环解析输出数据部分。CPU上10+FPS 应该没问题！实时get！
推荐专栏文章
- 麻省理工最新研究 | 自动为目标任务和硬件定制高效CNN结构(文末附源码)
- 推理速度快YOLOV4五倍的YOLObile：通过压缩编译在移动端实时检测（附论文下载）
- Tensorflow + OpenCV4 安全帽检测模型训练与推理
更多嵌入式AI算法部署等请关注极术嵌入式AI专栏。
