SegFormer: Simple and Efficient Design for Semantic Segmentation with Transformers

Abstract

方法

• Transformers与轻量级多层感知器（MLP）统一起来

吸引人的特点

• 1. 分层结构的transformers编码器，并且不需要位置编码

  • 从而避免了位置编码的内插。
    当测试分辨率与训练分辨率不同时，位置编码会导致性能下降。

    • 位置编码的缺点；

• 2.避免使用复杂的解码器，MLP聚合了不同层的信息

  • 结合了局部和全局注意力来呈现强大的表征

效果

• 网络更小，效果也佳

  • 定量评估数据集

    • Cityscapes validation set
    • Cityscapes-C
    • ADE20K

Code

• github.com/NVlabs/SegFormer.

1 Introduction

开创性的工作

• FCN

语义分割的两条主线

• 设计主干

  • 主干的演变极大地推动了语义分割的性能边界

• 结构化预测问题

  • 设计模块和操作，有效捕捉上下文信息

    • 代表性例子：空洞卷积，增加了感受野

transformer引入计算机视觉

• ViT

  • 图像分类

• SETR

  • 证明了语义分割使用Transformer的可行性

方法的改进

• SETR采用ViT作为主干并结合几个CNN解码来扩大特征分辨率

• ViT的局限

  • 1. 输出但尺度低分辨率的特征而不是多尺度的特征
  • 2. 在大图像上的计算成本很高

• PVT拓展ViT

  • 使用了金字塔结构
  • 比起ResNet在目标检测和语义分割上更优越

• 还有SwinTransformer和Twins

具体方法

• 1. 一种新的无位置编码的和分层的Transformer编码器
• 2. 一个轻量级的ALL-MLP解码器设计

效果

• 在三个公开可用的语义分割数据集中，SegFormer在效率、准确性和稳健性方面达到了新的水平。

2 Related Work

Semantic Segmentation.

• FCN、改进

  • 扩大感受野
  • 细化上下文信息
  • 边界信息
  • 设计各种注意力模块
  • 使用AutoML技术
  • 这些方法显著提高了语义分割的性能，但代价是引入经验模块，使对算力有要求；最近的用于语义分割的Transformers，仍然对算力有需求

Transformer backbones.

• ViT

  • 将每张图片视为一个令牌序列，将其喂到多个Transformer层里分类

• DeiT

  • 为ViT探索有效的数据训练训练策略和蒸馏方法

• T2T ViT ，CPVT，TNT，CrossViT, LocalViT

  • 引入了对ViT针对性的修改，进一步提高分类性能

• PVT

  • 是第一个在Transformer里引入金字塔结构的工作

• Swin[9]、CvT[58]、CoaT[59]、LeViT[60]和
  Twins[10]

  • 增强了特征的局部连续性，并删除了固定大小的位置嵌入，以提高transformer在密集预测任务中的性能

Transformers for specific tasks.

• DETR

  • 第一个使用transformers构建端对端对象检测框架并且没使用NMS的工作，

• SETR

  • 采用ViT作为主干提取特征，但是效率低，因此很难在实时应用中部署

3 Method

3.1 Hierarchical Transformer Encoder

• MiT-B0到B5具有相同的结构但尺寸不同。设计部分受到ViT的启发，但为语义分割量身定制和优化

• Hierarchical Feature Representation.

  • 这些特征提供了高分辨率的粗粒度特征和低分辨率的细粒度特征。

• Overlapped Patch Merging.

  • 使用一个重叠的补丁合并过程

• Efficient Self-Attention.

  • 计算瓶颈主要来自注意力层，减小K的大小

• Mix-FFN.

  • 我们认为位置编码对于语义分割来说实际上是没有必要的

    • 表明3×3卷积足以为Transfermer提供位置信息
    • 还是用了深度可分离卷积，减少参数数量，提高效率

3.2 Lightweight All-MLP Decoder

• MLP四步
  

• Effective Receptive Field Analysis.
  –

  • 保持大的感受野以包括上下文信息一直是一个核心问题
  • 有效感受野（ERF）作为一个工具箱来可视化和解释为什么我们的MLP解码器设计在Transformer上是如此有效

• 得益于Transformer里面的非局部注意，导致了更大的接收区域而不复杂

  • 与ASPP不同

    • ASPP扩大了感受野，但变得沉重

  • 在CNN主干中并不能很好地工作，因为整体的感受野有上限

3.3 Relationship to SETR.

• 我们在ImageNet-1K中预训练，ViT在更大的ImageNet-22k中预训练

  • 预训练更快

• SegFormer的编码器有一个分层结构，比ViT更小，并且可以捕捉到高分辨率的粗略特征和低分辨率的精细特征，相比之下，SETR的ViT编码器可以只能生成单一的低分辨率特征图。

  • 分层结构

• 我们删除了编码器中的位置嵌入，而SETR使用固定形状的位置嵌入。
  当推理时的分辨率与训练时的分辨率不同时，会降低准确性。

  • 位置嵌入

• 我们的MLP解码器比SETR中的解码器更紧凑，计算要求更低。
  这导致了可忽略不计的计算开销。相比之下，SETR需要繁重的解码器与
  多个3×3的卷积。

  • 计算开销更小

4 Experiments

4.1 Experimental Settings

• Datasets:

  • Cityscapes

    • 是一个用于语义分割的驱动数据集，包括5000张精细注释的高分辨率图像，有19个类别。

  • ADE20k

    • 是一个场景解析数据集，涵盖150个细粒度的语义概念，由20210张图片组成。

  • COCOStuff

    • 涵盖172个标签，由以下内容组成164k图像。118k用于训练，5k用于验证，20k用于测试开发，20k用于测试挑战。

• Implementation details:

  • 8 Tesla V100.
  • 在ImageNet-1k数据集上编码器进行预训练，并随即初始化解码器。
  • 在训练过程中，我们通过比例为0.5,2.0的随机大小调整、随机水平翻转和随机裁剪来到512×512,1024×1024,512×512分别对ADE20K，Cityscapes和cocostuff
  • ADE20K的裁剪尺寸设定为640×640
    的最大模型B5的裁剪尺寸
  • 我们使用AdamW优化器在ADE20K、Cityscapes上对模型进行了16万次迭代的训练。在COCO-Stuff上80K迭代。在消融实验上，40K次迭代
  • …
  • 为简单起见，我们没有采用广泛使用的技巧，如OHEM、辅助损失或类平衡损失。

4.2 Ablation Studies

• Influence of the size of model.

  • 图一，显示了ADE20K的性能与模型效率的关系。ADE20k的性能与模型效率的关系是编码器大小的
  • 与编码器相比，解码器的大小只有0.4M
  • 我们的轻量级模型SegFormer-B0结构紧凑、效率高
  • 增加编码器的规模可以在所有的，数据集上产生一致的改进。

• Influence of C, the MLP decoder channel dimension.

• Mix-FFN vs. Positional Encoder (PE).

• Effective receptive field evaluation.
  

4.3 Comparison to state of the art methods

• ADE20K and Cityscapes:
  

• COCO-Stuff.
  

4.4 Robustness to natural corruptions

5 Conclusion

在本文中，我们提出了一种简单、干净而又强大的语义分割方法，它包含一个无位置编码的分层转换编码器和一个轻量级的All-MLP解码器。它避免了以往方法中常见的复杂设计，从而实现了高效率和性能。SegFromer不仅在公共数据集上获得了新的结果，而且还显示在零样本上的强鲁棒性。我们希望我们的方法能够作为语义分割的坚实基础，并激发进一步的研究。一个限制是，虽然我们最小的3.7M参数modEl比已知的CNN模型要小，目前尚不清楚它是否能在只有100k内存的边缘设备芯片上工作良好。