Segmenter：基于纯Transformer的语义分割网络

丰色 发自 凹非寺 来源：量子位（QbitAI）

正如大家所知，在进行图像语义分割时，图像被编码成一系列补丁后往往很模糊，需要借助上下文信息才能被正确分割。

因此上下文建模对图像语义分割的性能至关重要！

而与以往基于卷积网络的方法不同，来自法国的一个研究团队另辟蹊径，提出了一种只使用Transformer的语义分割方法。

Segmenter: Transformer for Semantic Segmentation

论文：https://arxiv.org/abs/2105.05633

代码：https://github.com/rstrudel/segmenter

该方法“效果拔群”，可以很好地捕捉图像全局上下文信息！

要知道，就连取得了骄人成绩的FCN（完全卷积网络）都有“图像全局信息访问限制”的问题。（卷积结构在图像语义分割方面目前有无法打破的局限）

而这次这个方法在具有挑战性的ADE20K数据集上，性能都超过了最先进的卷积方法！

不得不说，Transformer跨界计算机视觉领域真是越来越频繁了、效果也越来越成功了！

那这次表现优异的Transformer语义分割，用了什么不一样的“配方”吗？

使用Vision Transformer

没错，这次这个最终被命名为Segmenter的语义分割模型，主要基于去年10月份才诞生的一个用于计算机视觉领域的“新秀”Transformer：Vision Transformer，简称ViT。

ViT有多“秀”呢？

ViT采用纯Transformer架构，将图像分成多个patches进行输入，在很多图像分类任务中表现都不输最先进的卷积网络。

缺点就是在训练数据集较小时，性能不是很好。

Segmenter作为一个纯Transformer的编码-解码架构，利用了模型每一层的全局图像上下文。

基于最新的ViT研究成果，将图像分割成块（patches），并将它们映射为一个线性嵌入序列，用编码器进行编码。再由Mask Transformer将编码器和类嵌入的输出进行解码，上采样后应用Argmax给每个像素一一分好类，输出最终的像素分割图。

下面是该模型的架构示意图：

解码阶段采用了联合处理图像块和类嵌入的简单方法，解码器Mask Transformer可以通过用对象嵌入代替类嵌入来直接进行全景分割。

效果如何

多说无益，看看实际效果如何？

首先他们在ADE20K数据集上比较不同Transformer变体，研究不同参数（正则化、模型大小、图像块大小、训练数据集大小，模型性能，不同的解码器等），全方面比较Segmenter与基于卷积的语义分割方法。

其中ADE20K数据集，包含具有挑战性的细粒度（fine-grained）标签场景，是最具挑战性的语义分割数据集之一。

下表是不同正则化方案的比较结果：

他们发现随机深度（Stochastic Depth）方案可独立提高性能，而dropout无论是单独还是与随机深度相结合，都会损耗性能。

不同图像块大小和不同transformer的性能比较发现：

增加图像块的大小会导致图像的表示更粗糙，但会产生处理速度更快的小序列。

减少图像块大小是一个强大的改进方式，不用引入任何参数！但需要在较长的序列上计算Attention，会增加计算时间和内存占用。

Segmenter在使用大型transformer模型或小规模图像块的情况下更优：

（表中间是带有线性解码器的不同编码器，表底部是带有Mask Transformer作为解码器的不同编码器）

下图也显示了Segmenter的明显优势，其中Seg/16模型（图像块大小为16x16）在性能与准确性方面表现最好。

最后，我们再来看看Segmenter与SOTA的比较：

在最具挑战性的ADE20K数据集上，Segmenter两项指标均高于所有SOTA模型！

（中间太长已省略）

在Cityscapes数据集上与大多数SOTA不相上下，只比性能最好的Panoptic-Deeplab低0.8。

在Pascal Context数据集上的表现也是如此。

剩余参数比较，大家有兴趣的可按需查看论文细节。