语义分割任务中的Transformer

关注

原创 2022-10-27 14:29:05 6k 阅读 AI 写同款· GEO 优化 ›

SETR——Rethinking系列工作，展示使用纯transformer在语义分割任务上是可行的，但需要很强的训练技巧自[ 36 ]的开创性工作以来，现有的语义分割模型主要是**基于全卷积网络( FCN )的模型。**一个标准的FCN分割模型具有编码器-解码器结构：编码器用于特征表示学习，而解码器用于特征表示的像素级分类。[ 36 ]Jonathan Long, Evan Shelhamer, and Trevor Darrell. Fully convolutional networks for semantic segmentation. In CVPR, 2015. 1, 2, 3, 6 FCN针对在非约束场景图像阅读详情

文章目录

语义分割中的Transformer

语义分割中的Transformer

Transformer 在语义分割中的使用主要有两种方式：

patch-based Transoformer
query-based Transformer

1 Patch-based Transformer

Transformer最初应用于NLP领域，在NLP中称每个单词为token，而在CV中就是将图像切割成不重叠的Patch序列（其实就是token）。Patch-basedTransformer实际上是模仿NLP任务，将语义分割任务视为了一个Seq2Seq的问题。
自FCN（全卷积网络）之后，语义分割模型大多数都是基于带有Encoder-Decoder结构的FCN进行设计：Encoder用于特征表示学习，Decoder用于对特征表示进行像素级分类。核心是Encoder部分：其由大量卷积层堆叠而成，在堆叠过程中考虑到计算量，会逐渐降低feature maps的空间分辨率，同时增大了后续像素点的感受野，也因此使得Encoder可以学到更为抽象的特征表示。这种设计有两个优点：
①平移等变性：给定一对空间点( i , j) ，相应的卷积权重w_i-j只关心二者的相对偏移，即i − j，而不是 i 或 j 的具体数值。这可以在有限的数据集上提升模型的泛化能力。
②局部性：通过参数共享降低了模型复杂度。
然而，CNNs难以学习长距离依赖关系，而这种关系对语义分割至关重要。
相较于传统CNN 需要很多的 decoder 堆叠来扩大感受野，进而得到高层特征，patch-based Transformer 是对全局特征的建模，将输入图像看成一个 Patch 序列，然后输入 encoder 中，自始至终保持了全局语义依赖，有效提升了分割任务的效果。
很多工作开始研究将 patch-based Transformer 和不同的Decoder进行结合。

1.1 SETR

SETR 使用 Transformer encoder 完全替代 CNN backbone，舍弃了卷积和下采样过程，将分割任务作为序列-序列的预测任务。与现有基于FCN的模型利用空洞卷积和注意力模块来增大感受野的方式不同，SETR使用transformer作为encoder，在encoder的每层中都进行全局上下文建模，完美去掉了对FCN中卷积的依赖。设计了三种不同复杂度的Decoder解决语义分割问题，来对自注意力进行深入研究：①朴素上采样 (Naive) ②渐进上采样 (PUP) ③多级特征融合 (MLA)。

但是，SETR完全采用ViT-large作为encoder有以下几个缺点：
(1) ViT-large 参数和计算量非常大，有300M+参数，这对于移动端模型是无法承受的；
(2) ViT的结构不太适合做语义分割，因为ViT是柱状结构，全程只能输出固定分辨率的feature map, 比如1/16, 这么低的分辨率对于语义分割不太友好，尤其是对轮廓等细节要求比较精细的场景。
(3) ViT的柱状结构意味着一旦增大输入图片或者缩小patch大小，计算量都会成平方级提高，对显存的负担非常大。
(4) 位置编码，ViT 用的是固定分辨率的positional embedding, 但是语义分割在测试的时候往往图片的分辨率不是固定的，这时要么对positional embedding做双线性插值，这会损害性能；要么做固定分辨率的滑动窗口测试，这样效率很低而且很不灵活。

1.2 Segformer

Segformer 使用一系列简单和有效的方法来提升 Transformer 在语义分割的效果。
重新设计了Transformer encoder：（1）对patch设计成有重叠的，保证局部连续性。（2）使用Mix FFN替代Position Embeding，解决固定分辨率的positional embeding在测试时效率低且不够灵活的问题
设计轻量级的 decoder（只包含4层 MLP）：decoder的计算量和参数量可以非常非常小，从而使得整个方法运行的非常高效。

2 Query-Based Transformer

self-attention是Transformer中很关键的部分：利用输入样本自身的关系构建注意力模型。self-attention中有三个非常重要的元素：Query、Key和Value。query、key & value 的概念其实来源于推荐系统。基本原理是：给定一个 query，计算query 与 key 的相关性，然后根据query 与 key 的相关性去找到最合适的 Value。在Self-Attention 中，这里 key 和 value 都是输入序列本身的一个变换，但是 self-attention 不是为了 query 去找 value，而是根据当前 query 获取 value 的加权和。这是 self-attention 的任务使然，想要为当前输入找到一个更好的加权输出，该输出要包含所有可见的输入序列信息，而注意力就是通过权重来控制。

Query embeding是从图像输入逐渐学习的一组临时语义表示，与patch embeding不同，Query可以更“公平”地整合来自特征的信息，并自然地与集合预测损失相结合以进行后处理消除。

Query-Based Transformer可分为两个类别：

由检测和分割任务驱动（称为Object Queries）
仅由分割任务来驱动（称为Mask Embeddings）

2.1 Transformer with Object Queries

基于 DETR 在检测任务上预训练，再针对分割任务进行微调（图a）：Panoptic DETR
不使用多阶段串行训练方式，并行进行检测和分割任务。常见于端到端的网络（图b）：Cell-DETR ＆ VisTR
混合级联网络，根据检测器预测的粗略区域，生成细粒度掩码，以实现精准分割（图c）：QueryInst

2.2 Transformer with Mask Embeddings

一系列基于query的Transformer直接预测掩码。不同于object query，mask embeding仅由分割任务监督。如图(d)所示，两个不相交的query集并行用于不同的任务，并将box学习视为辅助损失以进一步提升预测结果准确性（ISTR、SOLQ）。对于语义分割和无框实例分割，一系列基于query的transformer直接预测掩码，而不需要box分支的帮助，如图(e)所示（Max-DeepLab、Segmenter）。
与传统的在像素级预测掩码的语义分割方法不同，Maskformer将语义分割任务重新定义为掩码预测问题，并将此输出格式启用到基于Query的Transformer。与MaxDeepLab不同，Maskformer利用了一个简单的Transformer解码器，没有多余的连接，以及一个用于重叠二进制掩码选择的sigmoid激活。它不仅在大类语义分割数据集上优于目前的每像素分类SOTA，并且还在全景分割任务中刷新了SOTA。

3. 思考

1. Transformer模型如何跨越语言和视觉的鸿沟

Transformer最初是为机器翻译任务设计的。句子中的每个单词都可以看作高级语义信息的基本单位，这些词可以嵌入到地位向量空间的表示中。对于视觉任务，图像中的像素不能携带语义信息，所以在视觉任务中使用Transformer的关键是建立图像到向量的转换，并有效地保持图像的特征。
例如，ViT将图像的低维信息直接转换为patch embeding，而CoAtNet使用卷积来提取高维特征并减少了冗余。

2. Transformer，自注意力和卷积神经网络之间的关系

从CNN的角度来看，其归纳偏置主要表现为局部性、平移不变性、权重共享、稀疏连接等。这种简单的卷积核可以在低层语义处理中有效地执行模板匹配，但由于过度偏置，其上界低于Transformers。（“归纳偏置”可理解为贝叶斯学习中的先验概率）
从自注意力机制的角度来看，当采用足够数量的头时，它们理论上可以表达任何卷积层。这种全注意力操作可以结合局部级别和全局级别的注意力，并根据特征关系动态生成注意力权重。但是，由于精度低，计算成本高，它的实用性比 SOTA CNN 低。
从Transformer的角度看，当在没有残差连接或FFN的深层训练时，自注意力层表现出对“令牌均匀性(token uniformity)”很强的归纳偏置。得出的结论是，**Transformer 由两个关键组件组成：一个 self-attention 层聚合了 token 的关系，一个 position-wise FFN（前馈神经网络）提取了输入的特征。**尽管 Transformer 具有强大的全局建模能力，但是卷积可以有效处理低级特征，增强 Transformer 的局部性，并通过填充附加位置特征。

3. 针对性的Encoder和Decoder

（1）对于语义分割，特征提取非常重要，Transformer已经在分类上证明了比CNN更强大的特征提取能力。但是分类和分割还是有一定的GAP, 因此如何设计对分割友好的更好的Transformer结构，还可以继续研究。

（2）有了很好的特征，decoder该如何设计才能进一步提高性能？
在CNN encoder中相对复杂的decoder很重要且很有意义。但是，在Segformer中仅用了一个很简单的MLP decoder就取得了不错的效果，为什么呢？
有效感受野：在卷积计算时，实际有效的感受野区域。一般而言，特征点有效感受野要小于实际感受野。其有效性，类高斯分布向边缘递减，且不同的激活函数对有效感受野影响不同。
**对于语义分割来说最重要的问题就是如何增大感受野。**之前无数的工作也都是在研究这方面。首先对于CNN encoder来说，有效感受野是比较小且局部的，所以需要一些decoder 的设计来增大有效感受野，比如ASPP (Atrous Spatial Pyramid Pooling, 空洞空间卷积池化金字塔)利用了不同大小的空洞卷积来实现这一目的。
但是对于Transformer encoder来说，由于 self-attention有效感受野变得非常大，因此decoder 不需要更多操作来提高感受野。但是较大的感受野需要非常多的计算量，这就限制了它的应用范围。因此，未来如何针对性的设计更好的decoder也比较值得探索。