【论文总结】Zero-Shot Semantic Segmentation
论文地址：https://arxiv.org/abs/1906.00817
代码：https://github.com/valeoai/ZS3
一、内容
Step 0：首先使用数据集（完全不包含 Unseen Classes 的图片）训练 DeepLabv3+ 模型，得到的模型可以对只含有 Seen Classes 的图片进行分类，去掉训练好的 DeepLabv3+ 的最后一层分类层，将其变成一个特征提取器。将所有 Classes 输入到 w2c 模型，得到每个Class 对应的向量，将此向量连接到 ground-truth 中每个像素上，即每个像素都有其对应的类的向量。
Step 1：使用数据集（完全不包含 Unseen Classes 的图片）输入到 DeepLabv3+ 模型，得到特征图，根据 ground-truth 上的 Class 筛选出不同类别的特征，将每个类的特征作为 Label，对应类的 w2c 输出的向量作为输入，训练 GMMN 模型。
Step 2：使用完整数据集 （包含 Seen 和 Unseen Classes 的图片）输入到 DeepLabv3+ 模型，如果不包含 Unseen Classes，那么直接拿出特征图去训练最终的分类器，如果包含，则根据图片的 ground-truth 对应的类的向量一一生成特征，将不同类特征组合到一起，再去训练最终的分类器。
二、理解
1. 代码中将 Step 1 和 2 和在了一起，为了便于理解，把 Step 1 和 2 分开解释。
2. Step 2 中使用了两次包含 Unseen Classes 的图像和其 ground-truth。
- 在逐个对类的词向量生成特征时，用到了 ground-truth，根据 ground-truth 知道了类的总数、每个类的位置、以及对应的词向量。
- 在最终训练分类器时，也用到了含有 Unseen Class 的图像的 ground-truth。
- 也可以直接忽略 DeepLab 生成的特征图，直接根据 Seen 和 Unseen 标签随机生成图片，利用类的词向量通过 GMMN 生成特征，结合生成的图片的 Label 去训练最终分类器。
3. w2c 和 GMMN 是文章的关键，w2c 建立了一个从词语到向量的联系，GMMN 建立了一个从词向量到特征图上的视觉特征的联系，比如，使用 Unseen Class 为子弹，Seen Class 中包括弹匣，其他都是些不相干的类，自然子弹和弹匣在词向量中的联系比较起来相对紧密，从而子弹通过 GMMN 生成的特征也更与弹匣类似，通过最终分类器的训练，也就更容易能分辨出子弹。
4. GMMN 生成 Unseen Class的特征，代替了把 Unseen Class 经过 deeplab 特征提取器获得的特征，仍然需要 Unseen Class 的 ground-truth 作为 label 训练最后的分类器，但是不需要太多的 Unseen Class 的数据。
