CLIP-S^4：Language-Guided Self-Supervised Semantic Segmentation论文阅读笔记

摘要

作者提出了CLIP-S4，借助自监督像素表示学习和V-L模型实现各种语义分割任务，不需要使用任何像素级别标注以及未知类的信息。作者首先通过对图像的不同增强视角进行像素-分割对比学习来学习像素嵌入。之后，为进一步改善像素嵌入并实现基于自然语言的语义分割，作者设计了由V-L模型指导的嵌入一致性以及语义一致性。与SOTA的无监督/基于语言的语义分割方法相比，作者的方法在四个benchmarks上取得了突出的表现，且在未知类别识别方面显示出了大幅度的优越性。

方法

文章的主要方法实际上就是借助自监督对比学习以及CLIP的指导来训练一个输出为pixel embedding的函数。

Pixel-Segment Contrastive Learning

embedding function将每个像素 $p$ 投影为d维空间的一个向量 $z_p$ ，之后对向量进行聚类得到 $|S|$ 个区域，区域的embedding $v_s$ 表示为该区域所有向量的平均，同时进行归一化处理。对于每个像素 $p$ ，所有的segment分为两个集合 $S^+$ 以及 $S^-$ ，其中 $S^+$ 包含所有和 $p$ 在同一视觉连贯区域内的segment，这里的视觉连贯区域可以由超像素等方法得到。作者这里还使用了数据增强，使模型根据不同的增强图像生成一致的pixel embedding。因此，不同增强图像中和像素在同一个区域的segment也都属于 $S^+$ ，其它所有segment属于 $S^-$ 。对比损失如下：

L_{t} (p) = - l o g \frac{\sum_{S \in S^{+}} e x p (s i m (z_{p}, v_{s}) κ)}{\sum_{S \in S^{+} \cup S^{-}} e x p (s i m (z_{p}, v_{s}) κ)}

$\mathcal{L}_t(p)=-log\frac{\sum_{S\in\mathcal{S^+}}exp(sim(z_p,v_s)κ)}{\sum_{S\in\mathcal{S^+}∪\mathcal{S^-}}exp(sim(z_p,v_s)κ)}$

Vision-Language Model Guided Consistency

为了得到语言驱动的分割模型，同时改善pixel embedding的质量，作者使用CLIP指导embedding function的训练，使其output space与CLIP的embedding space尽可能接近，考虑的一致性分为如下两种：
Embedding Consistency
作者首先通过MaskCLIP的方式对CLIP的image encoder进行修改得到clip-i(·)，直接使用CLIP的text encoder作为clip-t(·)，之后获取不同增强图像的pixel embedding（具体实现是先获取pixel embedding，然后对pixel embedding施加增强效果），最后最小化CLIP embedding space与segment embedding space的距离，目的是缓解CLIP的pixel embedding的噪声带来的影响。最终，通过最大化每个segment对应的segment embedding（ $v_s$ ）与CLIP embedding（ $i_s=\sum_{p\in s}clip-i(s)/|s|$ ）从而使两个空间相一致。
Semantic Consistency
semantic consistency的作用是让模型给出与CLIP相同的语义类别预测结果（根据语义类别进行聚类可以生成更好的pixel embedding），整体思想与伪标签类似，对于每个segment使用CLIP生成目标类别的伪标签（包括已知类和未知类），伪标签通过比较segment embedding与类别在CLIP embedding space的原型的相似度得到，即 $y_s=argmax_{l\in L}(sim(i_s,c_l))$ ，损失使用CE计算： $\mathcal{L}_s(s)=H(y_s,\psi(v_s))$ ，其中 $\psi(v_s)=softmax(sim(v_s,C))$
Target Class Prototypes
类别原型是类别在embedding space的表示，由已知类 $C_k=\{c_0,...c_{k-1}\}$ 和未知类 $C_u=\{c_{k},...c_{k+u-1}\}$ （论文原文这里的表示有点问题）。
对于已知类，一个自然的想法是使用text embedding，然而CLIP的text embedding和对应的image/pixel embedding在整个embedding space中仍然有很大的差距。因此，作者使用CLIP pixel embedding的原型来表示每个已知类，首先得到一系列的text embedding，之后通过修改后的encoder得到CLIP pixel embedding，将pixel embedding聚类为segment再取平均，得到每个segment的embedding $i_{\hat{s}}$ ，之后对于每个类别，计算该类的text embedding与所有segment embedding的相似度，取相似度最大的m个作为该类的原型。
对于未知类，作者通过采样所有segment embedding来随机初始化未知类的原型。在训练期间，通过最小化分配到该类的segment与原型的距离来对原型进行更新。

训练与推理

训练期间通过三个损失来更新模型的参数。推理时使用训练好的模型生成pixel embedding，用于各种下游任务。

实验

实验主要进行了三部分：Language-Driven Semantic Segmentation、Unsupervised Semantic Segmentation以及Instance Mask Tracking。
以Language-Driven Semantic Segmentation为例：

需要注意的是这里对比的GroupViT等方法的训练策略与文章方法有所不同，作者直接选取了这些方法最好的结果进行对比。同时，作者将Pascal Context的数据按照类别划分为四个fold来模拟unknown class的情景：