语义分割CVPR2021-Rethinking Semantic Segmentation from a Sequence-to-Sequence Perspective with Transform

HheeFish

已于 2022-02-18 15:53:53 修改

阅读量4.8k

点赞数 2

分类专栏：语义分割文章标签：计算机视觉深度学习 pytorch

于 2021-11-26 22:06:04 首次发布

本文链接：https://blog.csdn.net/ssshyeong/article/details/121539863

版权

语义分割专栏收录该内容

21 篇文章 3 订阅

订阅专栏

Rethinking Semantic Segmentation from a Sequence-to-Sequence Perspective with Transformers:使用 Transformer 从序列到序列的角度重新思考语义分割-CVPR2021

1.概述
2.方法

开源代码
 论文地址

1.概述

标准FCN具有编码器-解码器体系结构：编码器用于特征表示学习，而解码器用于编码器生成的特征表示的像素级分类。其中，特征表示学习（即编码器）可以说是最重要的模型组件。编码器由堆叠的卷积层组成。由于对计算成本的关注，特征映射的分辨率逐渐降低，因此编码器能够通过逐渐增加的感受野学习更多抽象/语义视觉概念。这种设计之所以流行，是因为它有两个优点，即翻译的等效性和局部性。前者很好地尊重了成像过程的本质，它支持了模型对不可见图像数据的泛化能力。而后者通过跨空间共享参数来控制模型的复杂性。然而，它也提出了一个基本的限制，即学习远程依赖信息（对于无约束场景图像中的语义分割至关重要），由于仍然有限的感受野而变得具有挑战性。
扩大感受野：

直接操作卷积运算。 这包括较大的内核大小、空洞卷积和图像/特征金字塔。
将注意力模块集成到FCN体系结构中。这样一个模块旨在对特征图中所有像素的全局交互进行建模。语义分割中，一种常见的设计是将注意力模块与FCN架构相结合，注意力层位于顶部。无论采用哪种方法，标准编码器FCN模型架构都保持不变。
有人试图完全摆脱卷积，转而部署注意力单独模型。然而，即使没有卷积，它们也不会改变FCN模型结构的性质：编码器降低输入的空间分辨率，开发有助于区分语义类的低分辨率特征映射，解码器将特征表示增加采样为全分辨率分段映射。

我们的目的是重新思考语义分割模型的设计，并提供一个替代方案。特别是，我们建议使用纯Transformers取代基于堆叠卷积层的编码器，逐渐降低空间分辨率，从而产生一种新的分段模型，称为分段Transformers（SETR）。
此Transformers编码器将输入图像视为图像patch序列，该序列是通过学习到的嵌入patch表示的，并使用全局自注意建模对序列进行变换，以进行区分性特征表示学习。具体地说：

首先将图像分解为一个由固定大小的patch组成的网格，形成一系列patches。
将线性嵌入层应用于每个patch的平坦像素向量，然后获得一系列特征嵌入向量作为Transformers的输入。
给定从编码器Transformers学习的特征，然后使用解码器恢复原始图像分辨率。
关键的是，在空间分辨率上没有向下采样，但在编码器转换器的每一层都有全局上下文建模，从而为语义分割问题提供了一个全新的视角。最近，纯视觉Transformers或ViT(Vision Transformers)已证明对图像分类任务有效。它提供了直接证据，表明传统的叠层卷积层（即CNN）设计可能受到挑战，图像特征不一定需要通过降低空间分辨率从局部到全局逐步学习。然而，将纯粹的Transformers从图像分类扩展到空间位置敏感的语义分割任务并非易事。我们的经验表明，SETR不仅为模型设计提供了一个新的视角，而且在许多基准上达到了新的水平。
本文的贡献如下
我们从序列到序列学习的角度重新制定了图像语义分割问题，提供了一种替代主要的编码器-解码器FCN模型设计。
作为实例，我们利用transformer框架通过对图像进行序列化来实现我们完全关注的特征表示编码器。
为了广泛地检查自我注意的特性介绍，我们进一步介绍了三种不同的复杂程度的解码器设计。大量实验表明，与不同的fcnn相比，我们的SETR模型可以学习到更优越的特征表示，在ADE20K(50.28%)和Pascal Context(55.83%)上取得了新进展，并在城市景观上取得了有竞争力的结果。尤其值得一提的是，我们的参赛作品在竞争激烈的ADE20K测试服务器排行榜上排名第一。

2.方法

2.1.基于FCN的语义分割

为上下文建模提供有限的接收字段是普通FCN架构的内在限制。最近，一些先进的方法表明，将FCN与注意机制相结合是学习远程上下文信息的更有效的策略。这些方法由于其特征张量的像素数的二次复杂度，将注意力学习限制在具有较小输入尺寸的较高层次上。这意味着缺乏对低层次特征张量的依赖学习，导致次优表示学习。为了克服这个限制，我们提出了一个纯粹的基于自我注意的编码器，命名为分割transformer(SETR)。

2.2. Segmentation transformers (SETR)

2.2.1.图像到序列

在这里插入图片描述

图1（a）
首先将图像分割成固定大小的面片，线性嵌入每个面片，添加位置嵌入，并将生成的矢量序列提供给标准的Transformer编码器。为了执行逐像素分割，我们引入了不同的解码器设计

Transformer接受1D特征嵌入序列Z∈R^L×C作为输入，L为序列长度，C为隐藏通道大小。因此，图像序列化需要将输入影像x∈R^H×W×3来为输入Z。
图像序列化的一种简单方法是将图像像素值展平为1D向量，大小为3HW***。对于尺寸为480（H）×480（W）×3的典型图像，结果向量的长度为691200。鉴于Transformer的二次模型复杂性*，这种高维向量不可能在空间和时间上同时处理。因此，将每个像素标记为Transformer的输入是不可能的。
鉴于设计用于语义分割的典型编码器会对2D图像（x∈R^H×W×3）进行下采样至原分辨率的1/16（x_f ∈R^{H/16×W/16×c}），因此我们设定序列长度为H/16×W/16，transformer的输出序列很容易重塑为目标特征图x_f
为了获取HW/256的输入序列，我们将x∈R^H×W×3 分割为大小为H/16×W/16的网格，然后将该网格展平成一个序列。通过线性映射函数*f：p->e∈R^C*将每个矢量化的patch p转换为最新的C维嵌入空间，通过这样我们得到了图像x的patch embeddings。为了编码patch的空间信息，，我们对每一个位置i学习了一个特殊的embedding p_i ，这个p_i 将会和e_i一起构成最终的输入序列E={p₁ +e₁，p₂ +e₂，……，p_L +e_L}。这样，即使Transformer的自注意力机制具有无序性，空间信息仍得以保留。

2.2.2.Transformers

对于给定的1D输入embedding序列E，使用纯Transformer编码器学习特征表示。这意味着每个Transformer层都有一个全局接收场，一次性解决了现有FCN编码器接收场有限的问题。Transformer编码器由多头自我注意（MSA）和多层感知器（MLP）块组成。对于每一层l。自注意力机制的输入是（query,key,value），通过输入Z^l-1 ∈R^L×C:
query=Z^l-1 w_Q, key=Z^l-1 w_K , value=Z^l-1 w_V
w_Q w_K w_V ∈R^C×d 示三个线性投影层的可学习参数，d表示（query,key,value）的维数。自我注意（SA）的形式如下：
在这里插入图片描述
MSA是拥有m个独立SA操作并将所有SA的输出Concatenate得到最终输出：
MSA(Z^l-1)=[SA₁(Z^l-1),SA₂(Z^l-1)……SA_m(Z^l-1)]W_O
**M_o**∈R^md×C ，d通常设置为C/m，MSA的输出随后由MLP块（结合残差跳跃连接）进行转换，作为层输出，如下所示：
Z^l=MSA（Z^l−1）+MLP（MSA(Z^l−1))∈R^L×C
在MSA和MLP块之前应用BatchNorm，我们将{Z¹，Z²，···，Z^Le}表示为Transformer层的特征。

2.3.解码器设置

为了评估SETR编码器特征表示的有效性，我们介绍了三种不同的解码器设计来执行像素级分割。由于解码器的目标是在原始2D图像空间（H×W）中生成分割结果，因此我们需要将编码器的特征（用于解码器中）Z从2D形状（HW/256×C）重塑为标准3D特征映射（H/16×W/16×C）。三种解码器结构如下：

2.3.1. Naive upsampling (Naive)：简单上采样

这个朴素的解码器首先将Transformer特征Z^l投射到类别编号的维度上（例如，19用于城市景观实验）。为此，我们采用了一个简单的2层网络结构：1×1conv sync batch norm（w/ReLU）1×1 conv。然后，我们简单地将输出双线性上采样到全图像分辨率，然后是一个具有像素交叉熵损失的分类层。使用此解码器时，我们将模型表示为SETR Naıve。

2.3.2.Progressive UPsampling (PUP)：渐进式上采样

一步放大可能引入嘈杂的预测，我们使用一个渐进的上采样策略，交替CONV层和上采样操作。为了最大限度地减轻对抗效应，我们将上采样限制为2×。因此，从Z^le(H/16×W/16)达到完全分辨率总共需要4次运算。图1（b）给出了该过程的更多细节。使用此解码器时，我们将模型表示为SETR-PUP
在这里插入图片描述

图1（b）
progressive upsampling (resulting in a variant called SETRPUP)
渐进式上采样（产生一个称为SETRPUP的变量）

2.3.3.Multi-Level feature Aggregation (MLA)：多级特征聚合

在这里插入图片描述

图1（c）
multi-level feature aggregation (a variant called SETR-MLA).
多级功能聚合（一种称为SETR-MLA的变体）。

第三种设计的特点是多层次特征聚合（图1（c）），类似于特征金字塔网络。然而，我们的解码器是根本不同的，因为每个SETR层的特征表示Z^l共享相同的分辨率，没有金字塔形状。具体来说，我们将特征表示{Z^m}（m∈ {Le/M，2Le/M，····，MLe/M}）从多层(M层)均匀分布到解码器。然后部署M个Stream，每个Stream关注特定的层，。每个Stream，我们先将编码器特征Z^l 从2D形状HW/256×C重塑为3D的H/16×W/16×C。然后i使用一个3层的网络（卷积核大小为1，3，3）处理特征图，第1层和第3层的特征通道分别减半，第3层之后通过双线性运算将空间分辨率提升4倍。为了增强不同流之间的交互，我们在第一层之后通过逐元素相加（element-wise addition）引入了自上而下的聚合设计。在逐元素相加（element-wise addition）得到的特征之后应用额外的3×3conv。在第三层之后，我们通过通道连接从所有流中获得融合特征，然后双线性上采样4×到全分辨率。使用此解码器时，我们将模型表示为SETR-MLA。