Per-Pixel Classification is Not All You Need for Semantic Segmentation论文阅读笔记

作者的解读：https://www.zhihu.com/search?type=content&q=MaskFormer

摘要

现有的语义分割方法将分割视为逐像素的分类，本文提出了MaskFormer，把分割转化为预测一系列的mask以及为这些mask预测一个global类别，这样可以很方便地将语义分割与实例分割、全景分割等任务统一起来。实验证明MaskFormer在语义分割与全景分割任务上达到了SOTA。

方法

作者首先介绍了Per-pixel classification和Mask classification。Per-pixel就是目前大部分的语义分割方式，即对每个像素进行分类。Mask classification则是将图像分为N个segment，每个segment对应一个概率分布$p_i\in \Delta^{K+1}$（包含一个类别“no object”），ground truth同样包含$N^{gt}$个segment，每个segment对应一个确定的类别标签。如果N与类别数K相等，则可以进行fixed matching，当然也可以通过二分图匹配等方式为预测的segment分配标签。训练的损失函数由交叉熵损失和二值掩码损失组成：

MaskFormer

Pixel-level module

该模块接收输入图像，将其下采样得到大小为$C_F\times \frac{H}{S}\times \frac{W}{S}$的特征图（S取32）。之后pixel decoder再将低分辨率的特征图上采样到$C_{\epsilon}\times H\times W$得到per-pixel embedding（$C_{\epsilon}$为编码空间大小）。

Transformer module

该模块由若干transformer decoder block组成，借助特征图与N个可学习的query（positional embedding）得到N个大小为$C_Q\times N$的per-segment embedding（$C_{Q}$为编码空间大小）。

Segmentation module

该模块通过线性分类层以及softmax将送入的per-segment embedding来生成每个segment对应的类别概率分布；通过MLP将per-segment embedding转化为N个mask embedding，其维度为$C_{\epsilon}$。最后将per-pixel embedding与mask embedding做点乘再过sigmoid得到每个segment的预测掩码：

计算loss则采用与DETR相同的方式，将focal loss与dice loss线性组合。

Mask-classification inference

General inference

针对语义分割和全景分割，可以使用统一的推理方式确定每个像素的类别和区域：

其中$c_i$是这个segment最有可能属于的类别，$m_i[h, w]$是当前像素属于segment的概率。

为了减少全景分割中的假阳性率，作者采用了Panoptic segmentation等文章中的策略。

Semantic inference

针对语义分割，计算的方式是：

实验

区域数量N的实验：

N是固定的吗？