【没有哪个港口是永远的停留~论文简读】Panoptic SegFormer

Panoptic SegFormer

原文：https://arxiv.org/pdf/2109.03814.pdf

代码：GitHub - zhiqi-li/Panoptic-SegFormer: This is the official repo of Panoptic SegFormer [CVPR'22]

在全景分割中，图像内容可分为things和stuff两类。

• things是可计数的实例（例如，人、汽车和自行车），每个实例都有一个唯一的id来区别于其他实例。
• stuff是指非定形和不可数的区域（例如，天空，草原和雪），没有实例id。

Panoptic SegFormer包含三个关键的设计：

（1）统一表示things和stuff的query集 ，其中stuff被视为只有单一实例id的特殊类型；

（2）利用things和stuff的位置信息来提高分割质量的位置解码器 ；

（3）Mask后处理策略 ，合并things和stuff的分割结果。

受益于这三种设计，Panoptic SegFormer高效地实现了SOTA的全精分割任务的性能。（性能对比如下图所示）

 

网络结构

 

模型的整体架构如上图所示，Panoptic SegFormer由三个关键模块组成：

• Transformer Encoder:对主干提取的多尺度特征图进行细化；
• Location Decoder 位置解码器:利用位置解码器捕捉物体的位置线索；
• Mask Decoder:Mask解码器用于最终的分类和分割

在前向阶段，我们首先将图像输入到主干网络，从最后三个阶段获得特征图C3、C4、C5，与输入图像相比，其分辨率分别为1/8、1/16和1/32。

然后，通过全连接(FC)层将这三个特征投影到具有256个通道的特征中，并将它们flatten为特征token C3`、C4`、C5`。维度分别为L1x256、L2x256、L3x256。

接下来，concat这些token作为Transformer编码器的输入，Transformer编码器输出的细化特征大小为。然后使用N个初始化的query来描述things和stuff，获取position信息。最后使用mask-wise strategy来融合预测的mask，得到最终的分割结果。

Transformer编码器

高分辨率和多尺度特征图对于分割任务具有重要意义。由于多头注意层的计算成本高，以往基于Transformer的方法只能在其编码器中处理低分辨率的特征图(如ResNet的C5)，这限制了分割性能。与这些方法不同，作者使用可变形的注意层（deformable attention）来实现Transformer编码器。由于可变形注意层的计算复杂度较低，本文的编码器可以拓展到高分辨率和多尺度特征图F。

位置解码器

在全景分割任务中，位置信息在区分具有不同实例id的things方面起着重要的作用。受此启发，作者设计了一个位置解码器，将things的位置信息（即中心位置和尺度）引入到可学习的query中。

具体来说，给定N个随机初始化的query和由Transformer编码器生成的细化的特征token，解码器将输出N个具有位置感知性的query。在训练阶段，作者在位置感知query的基础上应用一个辅助的MLP头来预测目标对象的尺度和中心位置，并使用位置损失来监督预测。MLP头是一个辅助分支，可以在推理阶段被丢弃。由于位置解码器不需要预测分割mask，因此作者用计算和内存更高效的可变形注意（deformable attention）来实现。