论文阅读 | GroupViT: Semantic Segmentation Emerges from Text Supervision

前言：CLIP工作拓展-利用文本-图像对的信息进行图像语义分割（CVPR2022）
论文：【here】
代码：【here】

GroupViT: Semantic Segmentation Emerges from Text Supervision

引言

传统分割方法采用自底而上的架构，深度学习方法是端到端的，自顶而下的为每个像素分配标签：
缺点有：标记数据繁琐，以及不能拓展到标签以外的类别
受到如今一些采用zero-shot方式取得成功方法的启发，这样可以针对下游任务微调模型，还可以拓展到没有出现过的类别
因此我们提出了一种方法,groupvit

方法

pipeline如下

首先是将图像打成16 * 16的小patch一共196个patch送入网络，和vision transformer是一样的，但是加了64个可学习的patch与图像patch合并concat起来送入网络，然后进行transformer，过6层transformer后，进行group block
然后是group_block的设计
原本concat起来的两种patch，196 * 384图像patch 和64 * 384的类别patch进行transformer，通过一个attention 196 * 64 ，可以将原本的图像不同patch的信心合并到不同的类别patch中，因此就实现了group

gumble_softmax
这里引用了一个新的gumble_softmax[可以参考这篇知乎]

简而言之就是将前向推理中的权重变成了取最大值后onehot编码的0或1，后向传播则仍然采用softmax后的概率（不然没法求导），同时加上一个gumble分布，加上一个不确定的值稀释掉原有的概率比，模拟随机采用的过程

原文的解释为

where Wq and Wk are the weights of the learned linear projections for the group and segment tokens, respectively, and{γi} are i.i.d random samples drawn from the Gumbel(0,1) distribution. We compute the group to assign a segment token to by taking the one-hot operation of it argmax over all the groups. Since the one-hot assignment operation via argmax is not differentiable, we instead use the straight through trick in [60] to compute the assignment matrix as

With the straight through trick, ˆAl has the one-hot value of assignment to a single group, but its gradient is equal to the gradient of Al, which makes the Grouping Block differentiable and end-to-end trainable. We call this one-hot assignment strategy as hard assignment.

再过了group_BLock后，再叠了9层transformer，这次加了8个类别patch，将64个类别patch聚合成8个个大类别，然后也过了一个group_block，将64合并到8个patch上，最后将8 * C的向量进行 AVG——pooling，得到整张图片的特征
损失函数
作者利用了两种损失函数，图-文本对的对比损失，利用的文本来自与对整幅图像的解释（左下角第一行）



第二种的图-多文本对，来自数据集的分割标签，并把单词扩展成了一句话（来自图左下角第二三行）

以上就是文章方法和设计部分的介绍了，这里沐神的课讲得很清楚，我也是看完他的视频过来的
补充一个文中没有提到的分割位置复原的过程，可以利用group_block中的attention图进行位置分割类别的像素位置复原，比如：第一层的attention为196 * 64
并用gumble_softmax，即最后得到一个onehot编码，实际上就是为这196个像素块分了64个类
可以将它可视化，文中的可视化结果如下

然后第二层的64 * 8的groupblock的attention也是同理，将64个类别分到了8个大类中,对应到上一层的64个小类，8个大类的可视化如下

最后一层进行与文本配对，将8个大类中与文本配对的类进行可视化则为

实验

消融实验
用hard assignament比soft assignment要提高很多，作者解释这是因为可以不用关注那些被hard assignamen附零的不相关区域
mutil-label loss也能提高性能

token数的选择

对比实验

由于不是做分割任务的，对这些方法不是很了解，看表中的显示并没有跑过带标签数据的fine-tune模型，不过也很不错了

总结

看到沐神的视频里介绍用transformer利用可学习的token来给图像块分配标签，这个思路被惊艳到了，感觉特别巧妙，（当然我也不清楚这是不是分割任务中的常见手段）
最后的AVGpooling合并8个类别，感觉设计得不是特别好，将多个区域的特征杂糅到一起与多种的文本匹配，有种暴力训练的感觉，最后的mask 的分类效果也证明分类得不好，不知道作者今后会不会将这块设计改进以下，或者将训练集改进一下，一张图中只留一个分割对象