SETR（CVPR 2021，复旦大学）

paper：Rethinking Semantic Segmentation from a Sequence-to-Sequence Perspective with Transformers

official implementation：https://github.com/fudan-zvg/SETR

third-party implementation：https://github.com/open-mmlab/mmsegmentation/tree/main/configs/setr

背景

现有的大多数语义分割方法采用基于全卷积网络（FCN）的编码器-解码器架构。编码器逐渐减少空间分辨率并学习更抽象的视觉概念。尽管这种方法在图像理解中表现良好，但在处理长距离依赖信息方面存在局限性。

出发点

作者认为现有的基于FCN的架构在处理长距离依赖信息时存在局限性，这是因为感受野仍然有限。为了克服这一限制，作者提出将语义分割视为序列到序列的预测任务，并使用纯Transformer（不包含卷积和分辨率降低）来编码图像。

解决了什么问题

该方法解决了传统FCN编码器在长距离依赖信息建模方面的局限性。通过使用全局自注意力机制，Transformer编码器能够在每一层对全局上下文进行建模，提供更优的特征表示。

创新点

其实就是将backbone换成了ViT，其它没了！

• 模型设计：提出了纯Transformer编码器替代传统卷积层，重新定义了图像语义分割问题，将其视为序列到序列学习问题。
• 特征表示：通过将图像分解为固定大小的patch，并将其转换为特征嵌入序列，利用Transformer框架实现全注意力特征表示编码。
• 解码器设计：介绍了三种不同复杂度的解码器设计，进一步验证了自注意力特征表示的效果。

方法介绍

网络的整体结构如图1所示，编码器部分就是Vision Transformer（具体介绍见https://blog.youkuaiyun.com/ooooocj/article/details/139183309，其中包括一个patch merging层，然后是多个Transformer block，每个block中包含一个self-attention和一个feed-forward network，FFN由一个两层MLP构成，此外还有residual connection和Layer Normalization）。

整个encoder部分除了patch merging层将输入分辨率从 \(H\times W\) 变成 \(\frac{H}{16}\times \frac{W}{16}\)，剩余部分都保持分辨率不变。

然后作者设计了三种不同复杂度的decoder，Naive、PUP、MLA。

Naive Upsampling（Naive）就是一个简单的两层网络将特征图的分辨率还原为原始输入分辨率：1x1 conv + BN + ReLU + 1x1 conv，然后通过双线性插值上采样还原原始输入分辨率。最后是一个classification layer（也是一个1x1卷积输出通道为类别数）和交叉熵损失。

Progressive UPsampling（PUP）和Naive一步将分辨率还原回去的方式不同，PUP是通过渐进式的上采样还原输入分辨率，其中每次上采样比率为2，因此对于 \(\frac{H}{16}\times \frac{W}{16}\) 的特征图需要进行4次上采样。

Multi-Level feature Aggregation（MLA）是一种多层级的特征聚合方法，和特征金字塔类似，具体来说就是将编码器部分不同stage的输出特征图拼接起来，然后上采样得到原始输入分辨率大小的特征图。

实验结果

作者首先进行了三种decoder的消融实验，结果如表2所示，其中PUP的精度最高。其中MLA将只是将不同阶段的特征图拼接得到最终的特征图，上采样还是Naive一步到位的方式，如果采用PUP的上采样方式，效果应该会更好。

和其它SOTA模型在ADE20K、Pascal Context、Cityscapes三个数据集上的性能对比如表4、5、6所示