恒源云(GpuShare)_MaskFormer：语义分割可以不全是像素级分类

Posted 2022-04-28 AI酱油君

文章来源 | 恒源云社区

原文地址 | MaskFormer

原文作者 | 咚咚

---

论文：Per-Pixel Classification is Not All You Need for Semantic Segmentation

论文地址：https://arxiv.org/pdf/2107.06278.pdf

代码地址： https://bowenc0221.github.io/maskformer

摘要

1. 目前研究多将语义分割算法作为一种像素级的分类算法，而将实例分割作为一种mask分类算法
2. 论文的重要观点是：mask分类任务能够同时有效解决语义和实例级的分割任务
3. 基于上述观念，提出了MaskFormer，一种预测二值mask（每个mask用于预测一个类别）的mask分类模型
4. 实验显示，MaskFormer在ADE20K和COCO分割任务上实现state-of-the-art

从像素级分类到mask级分类

1. 首先介绍像素级分类和mask级分类
2. 随后介绍本文的mask级分类算法
3. 最后提出了两个不同的前向传播算法

像素级分类

大家应该对像素级分类很熟悉了，可以用公式表达为$y=p_i|p_i\in {\Delta }^k{}_{i=1}^{H\cdot W}$,其中${\Delta }^K$，具体含义就是一张图像上每个像素点的K类别概率分布

最后使用cross entropy对每个像素进行loss计算

MASK级分类

mask级分类将分割任务拆分为两个部分：

1. 将图像分割成N个区域（N不需要等于类别K），使用二进制$m_i|m_i\in [0,1{]}^{H\times W}{}_{i=1}^N$表示
2. 这N个区域的每个区域内部是属于同一个类别，所以还需要对其进行类别预测，可以表示为$z=(p_i,m_i){}_{i=1}^N$，这里的类别概率分布$p_i\in {\Delta }^{K+1}$包含无对象no object 类别

由于N不需要等于类别K，这就意味着会存在多个区域属于同一个类别，这时mask级分类可以适用于语义分割和实例级分割任务

上述就是mask级分类的两个组成部分，但这会引出下一个问题，如何构造标签？

1. 将一般标签改造成$z^{gt}={(c_i^{gt},m_i^{gt})|c_i^{gt}\in 1,\dots ,K,m_i^{gt}\in 0,1{}^{H\times W}}_{i=1}^{N^{gt}}$，其中$N^{gt}$可以认为是类别个数
2. 预测生成的区域块数量N一般会大于标签中的区域块$N^{gt}$，为了后续能够进行对一对匹配，所以两者数量需要一致，因此添加一系列无对象tokens使两者数量相同

进一步就是要考虑如何将标签和预测结果中的不同区域进行匹配

1. 作者发现使用二值匹配算法bipartite matching 比使用固定匹配算法trivial fixed matching 算法要好
2. 借鉴DETR的匹配思路，联合类别和mask预测对i和j进行匹配：$-p_i(C_j^{gt})+{\mathcal{L}}_{mask}(m_i,M_j^{gt})$

基于匹配的结果，最终的损失函数为

MASKFORMER

整个模型分成三个模块（如上图所示）：

1. 像素级模块用于提取像素级特征嵌入
2. Transformer模块，用于计算N个区域嵌入
3. 分割模块，基于上述两个嵌入计算预测类别

像素级模块

就是一个编码器-解码器结构，输入大小为H×W的图像，输出为${\epsilon }_{pixel}\in {\mathbb{R}}^{c_{\epsilon }\times H\times W}$
的特征图

Transformer模块
将像素级模块中编码器的输出特征图和N个可学习的位置嵌入作为Transformer解码器的输入， 输出为$\mathcal{Q}\in {\mathbb{R}}^{C_{\mathcal{Q}}\times N}$

分割模块

1. 对于Transformer模块的输出Q，使用线性分类层和softmax进行类别输出，得到类别概率$p_i\in {\Delta }^{K+1}{}_{i=1}^N$
2. 使用带有两个隐藏层的MLP将Q转化为${\epsilon }_{mask}\in {\mathbb{R}}^{c_{\epsilon }\times N}$，并与${\epsilon }_{pixel}$进行点乘和sigmoid操作，得到二值mask预测，$m_i[h,w]=sigmoid({\epsilon }_{mask}[:,i{]}^T\cdot {\epsilon }_{pixel}[:,h,w])$，其中每个预测值为$m_i\in [0,1{]}^{H\times W}$，一共有N个

训练过程中，联合使用cross entropy classification loss 和binary mask loss ${\mathcal{L}}_{\text{mask }}$ ​（与DETR一样，联合focal loss和dice loss权重求和）

前向传播过程

提出了两种前向传播算法

1. 针对全景和语义分割，提出了general inference
2. 专门针对语义分割，提出了semantic inference
   作者并发现，前向传播的策略更大程度上依赖于评价指标而不是任务

General inference
上文所述，我们知道$p_i\in {\Delta }^{K+1}{}_{i=1}^N,m$