【论文阅读】Threshold Matters in WSSS: Manipulating the Activation for the Robust and Accurat...

本文链接：https://blog.csdn.net/rocking_struggling/article/details/127778376

一篇弱监督分割领域的论文，发表在CVPR2022上：

论文标题：

Threshold Matters in WSSS: Manipulating the Activation for the Robust and Accurate Segmentation Model Against Thresholds

作者信息：

在这里插入图片描述

代码地址：

https://github.com/gaviotas/AMN

Abstract

现有的方法大多都在讨论，CAM生成中的一些稀疏性的coverage，导致了WSSS的性能瓶颈。作者则认为CAM激活中的一些全局性的阈值也会也会影响其性能。作者认为CAM进行激活的阈值需要满足以下两个条件：

1.减弱在前景区域内CAM激活的不平衡的现象
2.增大前景区域和背景区域的激活的gap

针对此，作者提出了activation manipulation network（AMN），包含per-pixel classification loss(PCL)和label conditioning module(LC)。其中
per-pixel classification 表示二值化的激活过程，label conditioning用于控制输出的真实的标签。

Introduction

在这里插入图片描述
（现有方法中的问题）CAM是WSSS任务中一种非常重要的方法。很多方法指出从CAM中获得的伪标签只能捕捉最有discriminative的部分，导致了性能瓶颈。作者认为该性能瓶颈主要来自于CAM激活中的全局阈值，主要原因是：

1.CAM激活时提供的全局阈值并不能适合每张图像的阈值（图1a），很多时候这个差距很大。
2.CAM的全局阈值并不总是会导致稀疏覆盖。

(造成这种阈值的进一步的原因）GAP具有平均效应,它将特征映射平均为一个单一的分类分数。相同的值可以来自于完全不同的激活。

（作者的思路）通过改变CAM激活的过程:

1.增大前景区域和背景区域的激活的阈值gap，如果阈值在gap内，阈值掩模相同。来提高生成的鲁棒性。
2.减弱在前景区域内CAM激活的不平衡来改善激活质量。

作者认为通过为整个前景像素和背景像素（例如，1和0）分配两级激活，可以满足上述两个条件。对应于文中的per-pixel classification 模块。除此以外，作者设计了label conditioning模块，通过从给定的K类（K是每幅图像的地面真实图像标签给出的类数）找出最佳预测。（CLIP模型类似的优点，不拘泥于固定的类别）

Preliminaries

Class activation mapping (CAM)：

常规的CAM的生成手段，对每个feature的通道按照类别的权重求和：
在这里插入图片描述
现有的WSSS方法都将 $F_c(x)$ 归一化到[0 1]的范围内，然后应用一个全局阈值来分离前景像素和背景像素。作者这里改变了激活阈值的方法。

Threshold matters in WSSS：

GAP允许将不同的激活映射到相同的分类分数。因此， $F_c(x)$ 可以有不同的激活分布。因此没有一个阈值可以获得最优解。作者列出来两个condition，作为改善激活方法的条件：

c1: reducing the activation imbalance within the foreground
c2: enforcing the large activation gap between the foreground and the background activation

通过共同满足c1和c2，一个激活可以通过一个全局阈值来很好地区分前景和背景。图2中给了举例（a是满足条件的，b是不满足条件的）
在这里插入图片描述

Activation Manipulation Network

在这里插入图片描述

4.1. Overall training procedure

整体流程主要包括四步：

seed generation 2) pseudo-mask generation with the proposed AMN 3) final segmentation

1)通过应用CAM获得像素级的伪粗标签，在伪粗标签上应用CRF算法，继续应用文献[1]的方法获得refined seed。
2)将图像和图像级标签作为输入，refined seed作为目标函数，训练AMN网络(通过PCL和LC模块)。AMN的网络架构与CAM的分类网络相同，只做了一点修改；用卷积层替换GAP层和最后一个分类层来预测像素级掩码。然后使用IRN方法进一步改进获得的伪mask。
3)训练常规的分割网路，获得结果。

4.2. Per-pixel classification

根据上面的两个条件c1和c2，作者提出了pixel classification losss，即在原来的像素级别的激活之前，加入一个强制的两级（0，1）的激活。这种两级的激活满足c1和c2的条件，同时，不需要GAP，可以有效地处理全局阈值问题。（论文里感觉有些含糊，在GAP激活这块儿，没看懂，这个模块的实现的具体细节方法，作者也没讲）。

4.3. Label conditioning

设数据集里面的类别有N+1个，但是一个图片上肯定同时出现这么类别。Label conditioning将每个像素应该映射到K + 1类中的一个，K是基础类，1是背景类。

（作者解释了一些原因）：首先，小类别有助于区分外观相似的物体，除非所有的类别都同时出现在图像中。这样有助于防止图像类别一些误判。
其次，训练用的伪标签比较粗糙，比较咋，需要用大量的数据进行。这种Label conditioning类似于一种数据扩增，可以提供大量的监督信息。非目标类激活重新分配到目标类激活中，增加了前景的整体激活。这对于促进前景中不那么较差的区域特别有用（没看懂）。

（作者的具体做法）：只在网络高层次维度上应用LC，因为低层次会影响到特征的选择。作者将图像级标签编码为特征向量，然后直接将这个向量乘以AMN网络中的特征图（如图2所示），最终的activation map的计算方法如下：
在这里插入图片描述
式子中， $f$ 、 $g$ 、 $h$ 分别表示backbone、cnn、编码层