【CLIP系列】3：语义分割（LSeg、GroupViT）

1 LSeg

LANGUAGE-DRIVEN SEMANTIC SEGMENTATION

LSeg是第一篇将CLIP应用于语义分割的论文。它的分割的效果拔群，容错能力也很高：

模型总览图跟CLIP很像：

对于图像链路：输入一张图片，进入分割的模型，得到一个特征图，通过上采样放大，因为我们现在做的是密集任务，输出和原来图像的大小是一致的，所以需要做一些升维的操作，最后模型的输出和ground truth supervision去计算cross entropy loss即可。

图像的编码器是DPT的结构（前面有一个ViT，后面加了个Decoder），即拿ViT去做有监督的语义分割。Decoder的作用是把一个bottleneck feature慢慢地upscale上去。

对于文本链路：总共有N个label，这些标签通过文本编码器就能得到N个文本特征。这里对N是没有限制的，可以只检测狗，也可以检测狗和数，还能检测其他东西，N是随时可以改变的。文本通过编码器之后就会得到一个N×C的矩阵，C是特征的维度。

将图片特征和文本特征在C维度上相乘，就会得到一个H×W×N的tensor，到这一步，就和传统的分割没有区别了，因为传统的分割也是会得到一个H×W×N的特征。

该论文虽然说是用到了CLIP，并且是Zero-Shot，但是它的训练过程是有监督的训练，模型是在7个分割数据集上一起训练出来的，即最后是有ground truth mask的，目标函数就是跟ground truth mask去做的cross entropy loss，而不是像CLIP那样是对比学习的Loss，不是一个无监督训练的工作。

在训练的过程中，文本编码器直接用CLIP的，训练过程中完全冻住，不参与训练。

最后的spatial regularization blocks去掉也不影响我们对模型结构的理解。

2 Group ViT

GroupViT: Semantic Segmentation Emerges from Text Supervision

Group ViT的监督信号来自于文本，不依赖于segmentation mask的手工标注，可以像CLIP那样直接利用图像文本对进行的无监督训练。

为什么叫Group ViT呢？因为在视觉领域，很早之前做无监督分类的，有一种常用的方法叫grouping，简单来说就是从一个聚类的中心点往外发散，把附近周围相似的点逐渐扩充成一个group，这个group相当于一个segmentation mask，是一种自下而上的方式。此处，作者相当于重新审视了这个grouping的方法，把它完美地用到当前这个框架中，他们提出了一个计算单元，如下图右侧框图，叫做grouping block，还有一些可以学习的group tokens，主要的目的是想让模型在初始学习的时候，能慢慢地把邻近的像素点都一点一点地group起来，变成一个又一个segmentation mask。下图中间画出了这些segmentation mask，在模型的浅层，学到的group token分割的效果还不是很好，能看到一些五颜六色的颜色块。经过模型的学习，深层的group token分割效果相当不错。

Group ViT的贡献是：在一个已有的ViT框架中，加入了grouping block，同时加入了这些可学习的group tokens。

Zero Shot推理过程如下图所示：

• 给定一张图片，经过GroupViT的图像编码器，就会得到最后的8个Group Embedding；
• 再把有可能的标签通过文本编码器，得到一系列的文本特征；
• 接下来计算图像的Group Embedding和文本特征之间的相似度，就可以知道每个group Embedding对应那个Class。

这里有个明显的局限性：因为模型最后只有8个Group Embedding，也就意味着，一张图片的分割最多只能检测到8类。