【实例分割_SOLOv1】SOLO: Segmenting Objects by Locations_2019


在这里插入图片描述

论文:https://arxiv.org/abs/1912.04488
代码:https://github.com/WXinlong/SOLO

一、背景

实例分割具有很大的挑战性,因为它需要正确分离图像中的所有对象,同时还需要在像素级对每个实例进行语义分割。图像中的对象属于一组固定的语义类别,但是实例的个数是未知的,所以,语义分割可以被看做是一个密集的分类问题(对每个像素进行分类),直接利用分类的方法来预测每个像素的类别是一个很大的挑战。

现有的方法是怎么做的:

  • top-down:也就是“先检测,后分割”,先检测 bbox,后在每个bbox中进行mask的分割
  • bottom-up:学习关系亲和场,给每个 pixel 分配一个嵌入式向量,将属于不同实例的 pixel 推远,把属于同一个实例的 pixel 拉近。之后,需要一个后处理来分开每个实例。

上述方法的特点: 分步实现 + indirect,前者很大程度上基于检测结果的准确性,后者很大程度上依赖于嵌入式向量的学习和 grouping prcessing.

二、本文方法

本文旨在于直接分割实例 mask。

作者提出的问题: 图像中实例的本质区别是什么?

解答:

以 MS COCO为例,验证集中有 36780 个目标

  • 98.3% 的目标对儿的中心距离大于 30 pixels
  • 1.7% 的目标对儿中,其中 40.5% 的大小之比大于 1.5x

总结:在大多数情况下,图像中的两个实例,要么中心位置不同,要么大小不同。

反思:是否可以通过中心位置和对象大小直接区分实例?

SOLO:Seperate Object instances by Location and sizes

在语义分割中,现在主流的方法是使用FCN来输出N个通道的密集预测,每个输出通道负责其中一个语义类别(包括背景),语义分割的目的是区分不同的语义范畴,在本文中,引入“实例类别”的概念来区分图像中的对象实例,即量化的中心位置和对象大小,这使得可以利用位置来分割对象,故名为“SOLO”。

Locations: 图像被分为 S×SS \times S 的格子,得到 S2S^2 个中心位置类别

根据目标中心,每个目标实例被分配到其中一个格子内,作为其中心位置的类别。本文将中心位置的类别编码成 channel axis,类似于语义分割中的语义类别。

每个输出通道都是对每个中心位置类别的响应,对应的 channel 的特征图可以预测属于该类别的实例的mask。所以,结构化的几何信息自然地保存在空间矩阵中。

实际上,实例类别近似于实例的对象中心位置,因此,通过将每个 pixel 分类到其实例类别中,就相当于使用回归方法从每个像素来预测对象中心。

将位置预测任务转化为分类而不是回归任务的原因在于: 使用分类时,更加直接,且更易于使用固定数量的通道对多个实例进行建模,同时不依赖于分组或学习嵌入式向量之类的后处理。

Sizes:使用 FPN 来区分不同大小的目标实例,以便将不同大小的对象分配给不同 level 的特征图,作为对象大小类别。

所有的实例都被规则的分配,使得能够通过 “instance categories” 来区分类别。
注意:FPN是本文的核心之一,因为它对分割性能有着很大的影响,尤其是对不同大小的物体。

SOLO效果:

  • 端到端训练,且无后处理
  • 只需要mask的标注信息,无需 bbox 标注信息,
  • 在 COCO 上实现了和 Mask R-CNN 基本持平的效果
  • SOLO 只需要解决两个像素级的分类问题,类似于语义分割,
  • 本质上,SOLO 通过离散量化,将座标回归转化为分类问题,可以避免启发式的座标规范化和 log 变换,通常用于像 YOLO 这样的检测器中。

三、本文方法的具体做法

3.1 问题定义

给定一个任意的图像,实例分割系统需要确定是否有需要分割的实例, 如果有,则返回分割的 mask。

SOLO 的核心想法:将实例分割问题转化为两个问题:类别预测+实例 mask 生成

  • 将输入图像分成格子 :S×SS\times S
  • 如果目标的中心落到格子里边,则这个格子要 输出实例类别(semantic category)+ 分割实例(segmenting instance)

3.1.1 Semantic category

对于每个 grid, SOLO 会预测 C 维的输出,分别代表每个类别的置信得分,C 为类别个数。把图像划分为 S×SS\times S 个格子,输出就是 S×S×CS \times S \times C,如图2_top所示。

该设计方法是基于一个假设:每个格子都只属于一个单独的实例。

推理阶段:C 维输出表示每个实例属于不同类别的概率

在这里插入图片描述

3.1.2 Instance Mask

和类别预测并列的分支是实例mask预测分支,该分支对每个 positive grid cell 产生一个对应的 instance mask。

对于输入图像 II,将其分为 S×SS\times S 的格子,则最多会预测 S2S^2 个格子,将这些 mask 编码成一个 3D 输出的tensor,输出有3维,也就是3个通道。则, instance mask 分支的输出维度为:HI×WI×S2H_I \times W_I \times S^2kthchannelk_{th}-channel 是对 (i,j)(i,j) 位置的分割响应,其中 k=i×S+jk= i\times S + j。最后,在 semantic category 和 class-agnostic mask 之间建立了一对一的对应关系(图2所示)。

现有的方法如何预测实例掩码: 采用 FCN

不足:传统的卷积在运算上具有空间不变性,图像分类需要空间不变性,但语义分割模型需要对空间变化敏感的模型,因为这个模型是以 grid cell 为条件的,所以必须由不同的特征通道来分开。

本文方法如何实现预测 mask: 网络开头的地方,直接给网络输入归一化后的 pixel 座标(参考 CoordConv operator[14])。也就是建立一个和原始的输入尺寸相同的 tensor,这个 tensor 里边的 pixel 的座标被归一化到 [-1,1]。之后,将该 tensor concat 到输入特征,并传递到之后的层。为了使得卷积能够访问其自己的输入座标,本文将空域 functionality 加到 FCN 模型中。

假设原始特征 tensor 尺寸为 H×W×DH \times W \times D,新的 tensor 尺寸为 H×W×(D+2)H \times W \times (D+2),其中,最后的两个 channels 是 xyx-y pixel 座标。

Forming Instance Segmentation: SOLO中,类别的预测和对应的 mask 可以很自然的使用其 grid cell 来联系起来,k=iS+jk=i \cdot S + j。基于此,可以直接对每个 grid 来建立最终的实例分割结果。

原始的实例分割结果是通过将所有 grid 的结果结合起来得到的,之后,使用 NMS 来获得最终的实例分割结果,没有其他后处理。

3.2 Network Architecture

SOLO 使用 FPN 作为 backbone,FPN 在每个 level 产生固定通道但不同大小的特征图(通道通常为256-d),这些特征图作为预测 head 的输入:semantic category head + instance mask head。同一个head的不同 level的参数是共享的。不同 level 的grid number 是不同的。另外,只有最后的 1x1 conv 的参数是没有共享的。

为了表明 SOLO 的通用性和高效性,作者使用了不同的 backbone 和 head 进行实验:

  • backbone
  • head
  • loss 函数

3.3 SOLO learning

3.3.1 Label Assignment

类别预测分支: 网络需要给每个小格子预测目标类别概率。以 (i,j)(i,j) 位置为例,如果该网格内落入了任何 gt mask 的中心区域,则被分为正例,否则被分为负例。中心点采样在现在的目标检测方法中是非常高效的,所以作者在mask 类别分类任务上使用了类似的方法。

给定 gt mask 的中心 (cx,cy)(c_x, c_y),宽 ww,高 hh。中心区域的尺度控制因子是 ϵ:(cx,cy,ϵw,ϵh)\epsilon:(c_x, c_y, \epsilon w, \epsilon h)

本文作者设定 ϵ=0.2\epsilon=0.2,则每个 gt mask 平均有 3 个 正样本(positive samples)。

对每个 positive sample,都会设定一个二值分割 mask,此处共有 S2S^2 个 grid,所有每个图像都会输出 S2S^2 个 mask,对每个 positive sample,其对应的 binary mask 都会被标记。

注意: mask 的维度会影响 mask 预测分支,然而,作者展示了最简单的 row-major order 在本文方法都会有很好的效果。

3.3.2 Loss Function

训练的 loss function,λ=3\lambda=3
在这里插入图片描述
其中,LcateL_{cate} 是用于分类的 Focal loss,LmaskL_{mask} 是用于 mask 预测的 loss:
在这里插入图片描述
如果 grid 的索引(类别 label)是从左到右、从上到下排列的,则 i=k/Si=\lfloor k/S \rfloorj=k%Sj=k \% SNposN_{pos} 是 positive samples 的个数, pp^*mm^* 分别是类别和mask。11 是指示函数,如果 pi,j>0p_{i,j}^*>0,则为1,否则为0。

dmaskd_{mask}: 本文中,作者对比了三种不同的 loss函数

  • Binary Cross Entropy(BCE)
  • Focal loss
  • Dice loss

最终, Dice loss 以其高效性和稳定性赢得了作者的青睐

在这里插入图片描述

3.4 Inference

  • 首先经过 FPN,得到 (i,j)(i,j) 位置上的类别得分 pi,jp_{i,j},和对应的 mask mkm_k,其中 k=iS+jk=i \cdot S +j
  • 使用阈值 0.1 来过滤掉低的类别得分
  • 选择前 500 个得分对应的mask,并进行 NMS。
  • 为了将预测的 soft mask 转化成 二值 mask,作者使用 0.5 的阈值将 soft mask 进行二值化。保留前100 个实例来进行评估。

四、实验

8GPU,SGD,batch_size:16,共 36 个epoch,初始 lr=0.01,分别在 27 和 33 个epoch处下降10倍。图像大小:短边随机采样到 640 ~ 800 pixel。

4.1 主要结果

在 MS COCO test-dev上对比:如表1所示

  • SOLO 和 ResNet-101 结合,得到 mask AP 37.8%
  • SOLO 和 DCN-101 结合,得到 mask AP 40.4%
    在这里插入图片描述
    SOLO 输出如图8所示,在很多不同的场景都可以获得较好的效果。
    在这里插入图片描述
    在这里插入图片描述

4.2 How SOLO works?

S=12S=12 时的网络输出如图4所示,子图 (i,j)(i,j) 表示由其对应的 mask 分支(经过 sigmoid)预测得到的 soft mask。

不同的实例是由不同的 mask 预测分支来响应的,通过在不同位置来分割实例,SOLO 将实例分割问题转化成了 position-aware 的分类问题。

每个 grid 仅仅会对一个实例响应,且一个实例可能会被相邻的 channel 都预测,在 inference 阶段,使用 NMS 来抑制多余的 mask。
在这里插入图片描述

4.3 Ablation Experiments

Grid number: 本文对比了不同的 grid number 带来的影响,如表2所示。

特征的生成是通过 merge ResNet(stride=8) 的 C3, C4, C5 的输出得到的。

S=12 时, SOLO 可以在 MS COCO 上得到 27.2 的 AP,当 S=24 时,提高到了 29.0 AP。
在这里插入图片描述
在这里插入图片描述

上述结果表明,单尺度的 SOLO 可以应用到目标尺寸差异不太多的场景中。

然而,单尺度的模型远远低于金字塔模型。

Multi-level Prediction: 作者使用 5 级 FPN 金字塔,来分割不同尺度的目标,如表3所示。gt mask 的尺寸被显式的用于分配它们去特定的金字塔 level。

基于上述多尺度方法,作者得到了 35.8 AP,大大的提升了效果。

CoordConv: 另外一个重要的组件是 spatially variant convolution(CoordConv)。如表4所示,标准的 conv 已经在一定程度上具有了空间可变性。当使得卷积能够访问自己的座标时,可以提升3.6个AP。两个或更多的 CoordConv 会带来更多的提升,这说明,CoordConv 能够给预测输出带来空域变化或位置敏感性。
在这里插入图片描述
Loss function: 表5展示了不同的 loss function 给 mask 分支带来的影响,包括 BCE、FL、DL。

  • BCE:对 positive samples,设置mask分支的 weight=10,pixel weight=2
  • FL:mask 分支 weight=2

FL 损失更优,由于实例 mask 的大部分像素都在背景中, Focal loss 原本就是为了降低分类良好的样本的损失来缓解样本不平衡问题的。

  • Dice Loss:在无需人工设定 loss 的权重超参数的情况下,得到了最好的效果。该 loss 函数将 pixels 视为一个 object,可以自动的在背景和前景像素间建立正确的平衡。
    在这里插入图片描述

Alignment in category branch: 类别预测分支,必须将 H×WH\times WS×SS\times S 的卷积特征进行匹配。作者对比了三个方法:

  • interpolationg:直接双线性插值到需要的尺寸
  • adaptive-pool:2 维 max-pool,从 H×WH\times WS×SS\times S
  • region-grid-interpolation:对每个网格,使用基于密集采样点的双线性插值,并将结果与均值进行聚合。

从结果来看,这些不同的方法并没有带来很大的性能差异,也就是说对齐的过程较为灵活。

Different head depth: SOLO 中,实例分割是一个 pixel-to-pixel 的任务,作者使用 FCN 来探索 mask 的空间布局。如图5所示,作者对比了不同的 head 深度带来的影响。将 head 的深度从 4 提升到 7,获得了 1.2 的 AP 提升。当深度超过 7 时,性能趋于稳定。故本文中使用深度为 7。

为什么 SOLO 中 head 更深?

之前的工作,如 Mask R-CNN,通常在 head 使用 4 层卷积来进行 mask 的预测,在 SOLO 中,mask 是基于空间位置来调节的,所以作者将座标附加到 head 开始的地方,mask head 必须由足够的特征表达能力来学习这种平移。对于类别分类分支,计算的开销可以胡烈,因为 S2<<H×WS^2 << H \times W
在这里插入图片描述

4.4 SOLO-512

作者还训练了小的版本,来突破实时语义分割的界限。作者使用的模型的输出具有较小的分辨率,较短的边为 512 而非 800。其他设置和 SOLO 相同。

在这里插入图片描述
SOLO 对于密集的、任意的实例预测任务来说,是一种通用的技术。
在这里插入图片描述

五、Decoupled SOLO

假设设定 S=20S=20, SOLO 的输出是 S2=400S^2=400 个通道的 map,然而,这些预测在一般情况下是冗余的,因为目标是稀疏的。所以作者又在本节引入了 Decoupled SOLO,如图7所示。
在这里插入图片描述
Decoupled SOLO:

  • 原始输出 tensor : MRH×W×S2M \in R^{H \times W \times S^2}
  • 经过解耦之后的输出:分别对应于两个座标的 tensor,XRH×W×SX \in R^{H \times W \times S}XYH×W×SX \in Y^{H \times W \times S}

所以,输出空间从 H×W×S2H \times W \times S^2 降到了 H×W×2SH \times W \times 2S

对于落到网格 (i,j)(i,j) 中的目标:

  • 原始SOLO 在输出 tensor M 的第 k 个通道分割其 mask,k=iS+jk=i \cdot S + j
  • Decoupled SOLO,该对象的预测 mask 被定义为两个 channel map 的元素级别的相乘:
    在这里插入图片描述

在这里插入图片描述

七、Conclusion

SOLO 是一个端到端的实例分割框架,与 mask r-cnn 相比,达到了竞争性的准确性。

發表評論
所有評論
還沒有人評論,想成為第一個評論的人麼? 請在上方評論欄輸入並且點擊發布.
相關文章