[[400873]]

本文經(jīng)AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯(lián)系出處。

正如大家所知，在進行圖像語義分割時，圖像被編碼成一系列補丁后往往很模糊，需要借助上下文信息才能被正確分割。

因此上下文建模對圖像語義分割的性能至關重要！

而與以往基于卷積網(wǎng)絡的方法不同，來自法國的一個研究團隊另辟蹊徑，提出了一種只使用Transformer的語義分割方法。

該方法“效果拔群”，可以很好地捕捉圖像全局上下文信息！

要知道，就連取得了驕人成績的FCN（完全卷積網(wǎng)絡）都有“圖像全局信息訪問限制”的問題。（卷積結構在圖像語義分割方面目前有無法打破的局限）

而這次這個方法在具有挑戰(zhàn)性的ADE20K數(shù)據(jù)集上，性能都超過了最先進的卷積方法！

不得不說，Transformer跨界計算機視覺領域真是越來越頻繁了、效果也越來越成功了！

那這次表現(xiàn)優(yōu)異的Transformer語義分割，用了什么不一樣的“配方”嗎？

使用Vision Transformer

沒錯，這次這個最終被命名為Segmenter的語義分割模型，主要基于去年10月份才誕生的一個用于計算機視覺領域的“新秀”Transformer：Vision Transformer，簡稱ViT。

ViT有多“秀”呢？

ViT采用純Transformer架構，將圖像分成多個patches進行輸入，在很多圖像分類任務中表現(xiàn)都不輸最先進的卷積網(wǎng)絡。

缺點就是在訓練數(shù)據(jù)集較小時，性能不是很好。

Segmenter作為一個純Transformer的編碼-解碼架構，利用了模型每一層的全局圖像上下文。

基于最新的ViT研究成果，將圖像分割成塊（patches），并將它們映射為一個線性嵌入序列，用編碼器進行編碼。再由Mask Transformer將編碼器和類嵌入的輸出進行解碼，上采樣后應用Argmax給每個像素一一分好類，輸出最終的像素分割圖。

下面是該模型的架構示意圖：

解碼階段采用了聯(lián)合處理圖像塊和類嵌入的簡單方法，解碼器Mask Transformer可以通過用對象嵌入代替類嵌入來直接進行全景分割。

效果如何

多說無益，看看實際效果如何？

首先他們在ADE20K數(shù)據(jù)集上比較不同Transformer變體，研究不同參數(shù)（正則化、模型大小、圖像塊大小、訓練數(shù)據(jù)集大小，模型性能，不同的解碼器等），全方面比較Segmenter與基于卷積的語義分割方法。

其中ADE20K數(shù)據(jù)集，包含具有挑戰(zhàn)性的細粒度（fine-grained）標簽場景，是最具挑戰(zhàn)性的語義分割數(shù)據(jù)集之一。

下表是不同正則化方案的比較結果：

他們發(fā)現(xiàn)隨機深度（Stochastic Depth）方案可獨立提高性能，而dropout無論是單獨還是與隨機深度相結合，都會損耗性能。

不同圖像塊大小和不同transformer的性能比較發(fā)現(xiàn)：

增加圖像塊的大小會導致圖像的表示更粗糙，但會產(chǎn)生處理速度更快的小序列。

減少圖像塊大小是一個強大的改進方式，不用引入任何參數(shù)！但需要在較長的序列上計算Attention，會增加計算時間和內存占用。

Segmenter在使用大型transformer模型或小規(guī)模圖像塊的情況下更優(yōu)：

（表中間是帶有線性解碼器的不同編碼器，表底部是帶有Mask Transformer作為解碼器的不同編碼器）

下圖也顯示了Segmenter的明顯優(yōu)勢，其中Seg/16模型（圖像塊大小為16x16）在性能與準確性方面表現(xiàn)最好。

最后，我們再來看看Segmenter與SOTA的比較：

在最具挑戰(zhàn)性的ADE20K數(shù)據(jù)集上，Segmenter兩項指標均高于所有SOTA模型！

（中間太長已省略）

在Cityscapes數(shù)據(jù)集上與大多數(shù)SOTA不相上下，只比性能最好的Panoptic-Deeplab低0.8。

在Pascal Context數(shù)據(jù)集上的表現(xiàn)也是如此。

剩余參數(shù)比較，大家有興趣的可按需查看論文細節(jié)。

論文地址：
https://www.arxiv-vanity.com/papers/2105.05633/