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

文章来源 |恒源云社区

原文地址 |MaskFormer

原作者 |冬冬

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

概括

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，提出了两种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,其中，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，这里的类别概率分布包含无对象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. 将一般标签转化为，其中可以认为是类别数
   
2. 预测生成的区域块数量N一般会大于标签中的区域块，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
   

下一步是考虑如何匹配预测结果中的标签和不同区域

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：
   

根据匹配结果，最终的损失函数为

MASKFORMER

整个模型分为三个模块（如上图）：

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. 基于上述两个嵌入计算预测类别的分割模块
   

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
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

拆分模块

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
   
2. 使用带有两个隐藏层的MLP将Q转化为，并与进行点乘和sigmoid操作，得到二值mask预测，，其中每个预测值为，一共有N个
   

训练过程中，联合使用cross entropy classification loss 和binary mask loss​（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
   作者还发现，前向传播的策略更多地依赖于评估指标而不是任务
   

General inference
如上所述，我们知道，它所属的类别由公式确定，可以通过以下步骤来理解

1. 对于N个区域，每个区域有K+1个类别概率，首先确定每个区域中最大概率的类别
   
2. 当前像素也有属于每个区域的概率，即
   
3. 结合以上两者可以得到当前像素所属的类别和区域。
   

这样，对于语义分割来说，就是根据其所属的类别进行分割。
例如实例分割，不同的实例根据它们所属的类别和区域进行区分。

Semantic inference
同理，对于图像上的点，其类别计算公式为

可以理解为将N作为特征维度

1. p表示K+1个类别，每个类别有N长度的类别特征
   
2. m表示每个像素点同样都有N长度的维度特征
   
3. 将m与每个类别的特征进行乘积求和，并比较每个类别的结果，取最大值作为所属类别
   

实验

通过在四个公开数据集上进行了实验对比，证明了MaskFormer无缝统一了语义分割和实例分割，并实现了最优性能
并通过消融实验，发现语义分割上性能的提升确实来自于从像素级分类到mask级分类的转变

比较实验

语义分割对比实验

全景分割对比实验

消融实验

像素级分类和mask级分类比较结果
使用两种不同匹配策略的比较结果

使用不同queries（区域数量N）之间的比较