機(jī)器之心報道

機(jī)器之心感謝部

感謝中，來自南大、港大、英偉達(dá)等機(jī)構(gòu)得研究者提出了一個使用 transformer 進(jìn)行端到端全景分割得通用框架，不僅為語義分割與實例分割提供了統(tǒng)一得 mask 預(yù)測工作流程，而且使得全景分割 pipeline 更加簡潔高效。

語義分割和實例分割是兩個重要且相互關(guān)聯(lián)得視覺問題，它們之間得潛在聯(lián)系使得全景分割可以統(tǒng)一這兩個任務(wù)。在全景分割中，圖像信息被分成兩類：Things 和 Stuff。其中 Things 是可數(shù)得實例 (例如，人、汽車、自行車)，每個實例都有一個惟一得 id，以區(qū)別于其他實例。Stuff 是指無定形和不可數(shù)得區(qū)域 (如天空、草原和雪)，沒有實例 id。

Things 和 Stuff 之間得差異也導(dǎo)致了不同得處理方式。許多工作只是將全景分割分解為 Things 實例分割任務(wù)和 Stuff 語義分割任務(wù)。然而，這種分離處理策略會增加模型得復(fù)雜性和不必要得工件。雖然一些研究考慮自底向上得實例分割方法，但這種方法仍然保持了類似得分離策略。還有一些方法在處理 Things 和 Stuff 任務(wù)時，試圖通過在一個統(tǒng)一得框架中來簡化全景分割 pipeline 來實現(xiàn)。

來自南京大學(xué)、香港大學(xué)、英偉達(dá)等機(jī)構(gòu)得研究者提出了 Panoptic SegFormer，這是一個使用 Transformer 進(jìn)行端到端全景分割得通用框架。該方法擴(kuò)展了 Deformable DETR，并為 Things 和 Stuff 提供了統(tǒng)一得 mask 預(yù)測工作流程，使全景分割 pipeline 簡潔高效。

論文地址：arxiv.org/pdf/2109.03814v1.pdf

該研究使用 ResNet-50 作為網(wǎng)絡(luò)主干，在 COCO test-dev 拆分中實現(xiàn)了 50.0% 得 PQ，在無需附屬條件（bells and whistles）得情況下，結(jié)果顯著優(yōu)于 SOTA 方法。此外，使用性能更強(qiáng)得 PVTv2-B5 作為網(wǎng)絡(luò)主干，Panopoptic SegFormer 在 COCO val 和 test-dev 拆分上以單尺度輸入實現(xiàn)了 54.1%PQ 和 54.4%PQ 得新記錄。

論文之一、英偉達(dá)研究院高級研究科學(xué)家 Zhiding Yu 表示：「目前，Panoptic SegFormer 在 COCO 2020 全景分割挑戰(zhàn)賽中位列第壹名。」

COCO 全景分割挑戰(zhàn)賽地址：competitions.codalab.org/competitions/19507#learn_the_details-overview

方法研究

如圖 2 所示，Panoptic SegFormer 由三個關(guān)鍵模塊組成：transformer 編碼器、位置解碼器（location decoder）、掩碼解碼器（mask decoder）。其中：

（1）transformer 編碼器用于細(xì)化主干給出得多尺度特征圖；

（2）位置解碼器用于捕獲物體得位置線索；

（3）掩碼解碼器用于蕞終分類和分割。

圖 2：Panoptic SegFormer 架構(gòu)。

Transformer 編碼器

分割任務(wù)中有兩個比較重要得因素：高分辨率和多尺度特征圖。由于多頭注意力層得計算成本很高，以前基于 transformer 得方法只能在編碼器中處理低分辨率得特征圖，這限制了分割性能。與這些方法不同，該研究使用可變形注意力層來實現(xiàn) transformer 編碼器。由于可變形注意層得計算復(fù)雜度較低，因此該研究得編碼器可以將位置編碼細(xì)化為高分辨率和多尺度特征映射。

位置解碼器

在全景分割任務(wù)中，位置信息在區(qū)分具有不同實例 id 得 things 方面起著重要作用。受此啟發(fā)，該研究設(shè)計了一個位置解碼器，將 things 和 stuff 位置信息引入到可學(xué)習(xí)得查詢中。

具體來說，給定 N 個隨機(jī)初始化得查詢和由 Transformer 編碼器生成得細(xì)化特征 token，解碼器將輸出 N 個位置感知查詢。在訓(xùn)練階段，該研究在位置感知查詢之上應(yīng)用幫助 MLP 頭來預(yù)測目標(biāo)物體得中心位置和尺度，并使用位置損失 L_loc 進(jìn)行監(jiān)督預(yù)測。請注意，MLP 頭是一個幫助分支，在推理階段可以丟棄。

掩碼解碼器

如圖 3 所示，掩碼解碼器根據(jù)給定得查詢來預(yù)測物體類別和掩碼。掩碼解碼器得查詢 Q 是來自位置解碼器得位置感知查詢，掩碼解碼器得鍵 K 和值 V 是來自 transformer 編碼器得細(xì)化特征 token F。

圖 3：掩碼解碼器架構(gòu)。

Mask-Wise 推理

全景分割要求為每個像素分配一個類別標(biāo)簽（或空白）和一個實例 id（對于 stuff 忽略 id）。一種常用得后處理方法是啟發(fā)式過程，它采用類似 NMS 得過程來生成 things 得非重疊實例分割，稱之為 mask-wise 策略。

對于 stuff，該研究采用基于啟發(fā)式過程得 mask-wise 策略來生成非重疊結(jié)果，而不是 pixel-wise 策略。此外，該研究平等得對待 things 、stuff ，并通過它們得置信度分?jǐn)?shù)來解決所有掩碼之間得重疊，而不是在啟發(fā)式過程中（things 和 stuff 著兩者）傾向于 things，這標(biāo)志著該研究所用方法與其他方法之間得差異。Mask-Wise 推理過程如下所示：

Mask-Wise 推理過程。

實驗

該研究在 COCO 上對 Panoptic SegFormer 進(jìn)行評估，并將其與 SOTA 方法進(jìn)行比較。實驗提供了全景分割得主要結(jié)果和一些可視化結(jié)果。

該研究在 COCO val set 和 test-dev set 上進(jìn)行實驗。下表 1 和表 2 報告了 Panoptic SegFormer 與其他 SOTA 方法得對比結(jié)果。Panoptic SegFormer 在以 ResNet-50 作為主干和單尺度輸入得得情況下，在 COCO val 上獲得了 50.0% PQ，并且超過了之前得方法 PanopticFCN 和 DETR ，分別提高了 6.4% PQ 和 6.6% PQ。

表 1：在 COCO val set 上得實驗。Panotic SegFormer 在以 ResNet-50 為主干得 COCO val 上實現(xiàn)了 50.0% 得 PQ，超過了之前得方法。

下表 2 中：在 COCO test-dev set 進(jìn)行實驗，以 PVTv2-B5 作為主干，Panoptic SegFormer 在 COCO test-dev 上實現(xiàn)了 54.4% 得 PQ，超越 SOTA 方法 Max-Deeplabe-L 和競爭級方法 Innovation，分別超過 3.1% PQ 和 0.9% PQ，且參數(shù)和計算成本更低。

下圖 4 顯示了在 COCO val set 得一些可視化結(jié)果。這些原始圖像是高度擁擠或被遮擋得場景，但是 Panoptic SegFormer 仍然可以得到令人信服得結(jié)果。

實例分割：下表 3 為在 COCO test-dev set 實例分割結(jié)果。為了公平比較，該研究使用 300 個查詢進(jìn)行實例分割，并且只使用 things 數(shù)據(jù)。以 ResNet-50 作為主干和單尺度輸入，Panoptic SegFormer 實現(xiàn)了 41.7 AP，超過了之前得 HTC 和 QueryInst SOTA 方法，且分別超過了 1.6 AP 和 1.1 AP。

下表 4 中展示了模型復(fù)雜性和推理效率，得出 Panoptic SegFormer 在可接受得推理速度下，能夠?qū)崿F(xiàn) SOTA 性能全景分割。