Rethinking Semantic Segmentation from a Sequence-to-Sequence Perspective with Transformers

Rethinking Semantic Segmentation from a Sequence-to-Sequence Perspective with Transformers

2021-01-02  00:19:30

 

Paper: https://arxiv.org/abs/2012.15840

Code: https://github.com/fudan-zvg/SETR 

 

　　本文首次将 Transformer 模型用于替换语义分割的骨干模型，即连基础的 CNN 的模型都不用。纯粹的 transformer 模型做 CV 任务，ViT 是第一个工作：An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale[J]. arXiv preprint arXiv:2010.11929, 2020. [Paper] [Code]。在此之前，ECCV-2020 也有一个工作：Axial-DeepLab: Stand-Alone Axial-Attention for Panoptic Segmentation 是纯粹基于 self-attention 来做的。但是这两个工作的主要区别在于：Axial-DeepLab 仍然是采用 encoder-decoder 的框架来做语义分割，即：首先降低分辨率，再提升分辨率的过程。那么，本文就思考，能够利用 transformer 模型，不进行类似降低分辨率的操作呢？

 

　　如下图所示，本文借鉴了 ViT 模型，对图像划分 patch 块，然后利用 fc 进行映射以及位置编码。得到对应的表达后，利用 transformer 模型，进行处理。这一块就是作者用到的 Encoder 模型。该过程中一直没有整副图的概念，均是在处理 local patch，所以没有 feature maps 分辨率降低的概念。得到这些 patch 块的表达后，进行 reshape，得到整个图的 feature map，然后利用 decoder模型进行上采样，得到预测结果。

其中，作者设计了多种 decoder 模型，来进行实验，如下所示：

 

1) Naive upsampling (Naive) ：

　　两层 1 × 1 conv + sync batch norm (w/ ReLU) + 1 × 1 conv.

 

2) Progressive UPsampling (PUP) ：

 

 

3) Multi-Level feature Aggregation (MLA)： 

 

2. Experiment：