【实例分割】1、SOLOv1: Segmenting Objects by Locations_2019[通俗易懂]

大家好，又见面了，我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。

Jetbrains全系列IDE使用 1年只要46元售后保障童叟无欺

文章目录

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 $\times S$ 的格子，得到 $S^2$ 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，将坐标回归转化为分类问题，可以避免启发式的坐标规范化和 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： $S\times S$
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 $S\times S$ 个格子，输出就是 $\times S \times C$ ，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

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 $I$ ，将其分为 $S\times S$ 的格子，则最多会预测 $S^2$ 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： $H_I \times W_I \times S^2$ 。 $k_{th}-channel$ 是对 $(i, j)$ 位置的分割响应，其中 $i\times S + j$ 。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 坐标（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 的坐标被归一化到 [-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坐标，本文将空域 functionality 加到 FCN 模型中。

假设原始特征 tensor 尺寸为 $\times W \times D$ ，新的 tensor 尺寸为 $\times W \times (D+2)$ ，其中，最后的两个 channels 是 $x - y$ pixel 坐标。

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， $\cdot S + j$ 。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 1×1 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 $(i, j)$ 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 $c_x, c_y)$ ，宽 $w$ ，高 $h$ 。中心区域的尺度控制因子是 $\epsilon:(c_x, c_y, \epsilon w, \epsilon h)$ 。

本文作者设定 $\epsilon=0.2$ ，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 $S^2$ 个 grid，所有每个图像都会输出 $S^2$ 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， $\lambda=3$ ：

其中， $L_{cate}$ 是用于分类的 Focal loss， $L_{mask}$ 是用于 mask 预测的 loss：

如果 grid 的索引（类别 label）是从左到右、从上到下排列的，则 $i=\lfloor k/S \rfloor$ ， $\% S$ ， $N_{pos}$ 是 positive samples 的个数， $p^*$ 和 $m^*$ 分别是类别和mask。 $1$ 是指示函数，如果 $p_{i,j}^*>0$ ，则为1，否则为0。

$d_{mask}：$ 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

3.4 Inference

首先经过 FPN，得到 $(i, j)$ 位置上的类别得分 $p_{i,j}$ ，和对应的 mask $m_k$ ，其中 $\cdot S +j$ 。
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%

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。

4.2 How SOLO works？

$S = 12$ 时的网络输出如图4所示，子图 $(i, j)$ 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。

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。

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坐标时，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。

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。

Alignment in category branch： 类别预测分支，必须将 $H\times W$ 和 $S\times S$ 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 $H\times W$ 到 $S\times S$
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，所以作者将坐标附加到 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 $S^2 << H \times W$ 。