SFNet: Learning Object-aware Semantic Correspondence论文解读

这是CVPR19年的论文，通过语义流找寻两张图像中相同类别的目标（但不同实例）的对应点。
官方代码
首先说明两点，不同于一些特征点匹配的方法，该方法是找不同场景下（两种图像）中具有相同类别的目标之间的对应点。基于特征点匹配，比如superglue，是在同一场景下（视频的不同帧）中找寻点对点的关系。但SFNet是不同场景下。
比如下图，前两列给出两个场景，都包含人物和摩托车。后两张就是语义相似的点到点的连线。

简单解释语义流

SFNet不是第一篇提到语义流的文章。语义流自然和语义相关。在SFNet中，通过特征的矩阵相乘得到source image和target image 所有pairs的相似性。这一点和Attention是类似的，只不过矩阵相乘的两个对象来自不同的图像。语义流中的语义搞清楚了，无非就是用特征的语义相似性做匹配。那“流”是啥。我们知道光流，残差流，流是用来表示位置offset的向量，向量中含有x和y坐标的偏移量。那么语义流中的流就是两张图像中对应点的offset，即匹配之后的坐标差。
这个语义流的作用是啥呢。 注意上图的第三张图像，我没有介绍**，它的来源就是根据source 和target的语义流，把source图像warp（grid sample）到了target坐标下**。可以注意第三张的图像中，摩托车和人物的位置以及尺度都和第二张图像中的目标极其相似。根据语义流提供的offset， 可以通过grid_SAMPLE操作warp图像。 还可以用语义流把对应的mask也warp过来。

网络结构

两张图像，一张是source，一张是target，它们通过一个resnet101网络得到res3和res4。backbone没有使用dilation conv，由于input size是320320。所以res3是2020的。 res4是1010的（个人觉得使用dilation conv效果会更好）。
然后res4上采样到2020。 两张图像的res3特征经过reshape，通过矩阵相乘得到corr_1；res4也同样，得到corr_2

        corr_feat3 = self.matching_layer(src_feat3, tgt_feat3)  # corr_1
        corr_feat4 = self.matching_layer(src_feat4, tgt_feat4)  # corr_2
        corr_S2T = corr_feat3 * corr_feat4  # 把两个corr map 融合
        corr_S2T = self.L2normalize(corr_S2T)  # 向量单位化， 除以模值

注意，通过转置corr map，我们可以从srouce到target的相似度和从target到source的相似度。

corr_S2T描述的是source 上每一点和target上所有位置的相似程度。 而我们想找的就是 source 上一点P和target上一点Q。其中Q是和P语义相似度最大的位置，也就是corr_S2T[q，p]是corr_S2T[:, p]中最大的值对应的位置。
那大家可能知道了，这不就是个argmax的事情吗。没错，在测试阶段，确实可以用argmax直接找到语义最相似的位置，但是训练阶段，argmax是不可求导的，如果使用argmax，网络没法端到端的训练。
接下来就是核心操作：kernel soft argmax、

kernel soft argmax

soft argmax是支持求导的，但是受到多峰值的影响。我们只关注和p点最相似的q点，但实际情况，p点对应的corr map，必定不止一个峰值点，而是存在一些和p点相似度大的非q点，亦或是一些由于网络的错判。但我们只关注q点。希望通过一种操作，能得到和p最相似的q点，亦或是接近q点的点。 因此作者提出kernel soft argmax，通过引入高斯核实现。整个模块是end to end的，完全可导。

从backbone中，我们已经获得了一个corr map（20x20）。对其做L2 normalization。接着使用argmax找到p位置对应另一张图的q的位置（x，y坐标）。p和q满足
$$q=argmaxcorr[p,...]$$

然后根据得到的p对应的q的位置，得到以q为中心的高斯函数。即q的位置是1，其他位置的值逐渐降低。

 idx = corr.max(dim=1)[1]  # b x h x w    get maximum value along channel
 idx_y = (idx // w).view(b, 1, 1, h, w).float()
 idx_x = (idx % w).view(b, 1, 1, h, w).float()
  
 x = self.x.view(1,1,w,1,1).expand(b, 1, w, h, w)
 y = self.y.view(1,h,1,1,1).expand(b, h, 1, h, w)
 # 高斯函数
 gauss_kernel = torch.exp(-((x-idx_x)**2 + (y-idx_y)**2) / (2 * sigma**2))
 gauss_kernel = gauss_kernel.view(b, hw, h, w)

然后用高斯核加权corr map，相当于把不属于最相似的位置的相似值用小于1的权值抑制了。
接着对corr map做softmax，同时用$\beta$作为系数。作者提到$\beta$越大，softmax就变成单峰值的分布函数。

另外有一些细节，为了softmax这步的数值是稳定的，作者是把corr MAP 减去了corr map（axis=1）的最大值

  M, _ = x.max(dim=d, keepdim=True)
  x = x - M # subtract maximum value for stability  # 所有值都小于0 指数运算的值就会都小于1 数值范围很稳定
  exp_x = torch.exp(beta*x)
  exp_x_sum = exp_x.sum(dim=d, keepdim=True)

接着就是执行公式2。用最终得到的M，加权每个坐标。就能得到在源图中的点p（坐标），与目标图中的哪个点最相似（坐标）。
我们可以理解为。kernel soft argmax希望让极值点对应的坐标，放大其影响。1.先是用高斯核加权，来降低其他峰值的数值；2. 然后用softmax进一步取极值（通知控制$\beta$的大小。默认为50。 然后在采用soft argmax的做法，对坐标加权。得到的坐标就是q点了。

损失函数

SFNet的训练方法同样很关键。
作者采用了三个损失函数

1. Mask consistency loss
2. Flow consistency loss
3. Smoothness loss.

Mask consistency loss

在我们得到了两张图的correspondences之后，我们当然想让其很准确，但如何能说明他们准确呢。作者使用了目标的mask来辅助。得到的correspondences可以用来做warp（同光流做warp），通过把target的mask warp到source，后者source warp到target域。然后用MSE优化

Flow consistency loss、

对得到的FLow offset也是如法炮制，使用得到的correspondences做warp。但我们更注重前景区域，所以需要mask作为系数。同时从source到target和从target到source的flow 场是相反的，所有这里是加号。当二者求和为0达到最优。即二者能对的上。

Smoothness loss.

对flow的x和y方向，求导。然后用mask加权

我对这个函数的理解是，希望能让网络对齐两个域（source and targer）中前景区域的流场的相对位置。
因为函数的优化方向是前景位置的导数为0。即流场中的x和y坐标在前景区域是大片大片都是一样的值。

数据来源

作者说，因为没有特别多的数据，所有backbone是固定的，只训练自定义的adaptive layer。
而且训练所需要的target和source组成 pair，都是来自同一张图像，采用了affine transform得到（参见数据集模块的代码）。

  def affine_transform(self, x, theta):
        theta = theta.view(-1, 2, 3)
        grid = F.affine_grid(theta, x.size())
        x = F.grid_sample(x, grid)
        return x

我自己的实验

我试着复现他们top 60的点对应的图。但是不知道这部分正确的代码是啥，作者没有释放。我就自己写了一个，但目前效果不好，github上已经提了issue，但还没有回复。