论文笔记：Dynamic Multimodal Instance Segmentation Guided by Natural Language Queries
Dynamic Multimodal Instance Segmentation Guided by Natural Language Queries
2018-09-18 09:58:50
GitHub：https://github.com/BCV-Uniandes/query-objseg (PyTorch)
Related paper:
1. Recurrent Multimodal Interaction for Referring Image Segmentation ICCV 2017
Code: https://github.com/chenxi116/TF-phrasecut-public (Tensorflow)
2. Segmentation from Natural Language Expressions ECCV 2016
本文就是在给定 language 后，从图像中分割出所对应的目标物体。所设计的 model，如下所示：
1. Visual Module (VM) ：
本文采用 Dual Path Network 92 (DPN92) 来提取 visual feature；
2. Language Module (LM)：
本文采用的是 sru，一种新型的快速的 sequential 网络结构。sru 定义为：
我们把 embedding 以及 hidden state 进行 concatenate，然后得到文本中每一个单词的表达，即： rt. 有了这个之后，我们基于 rt 来计算一系列的 动态滤波 fk,t，定义为：
这样，我们可以根据文本 w，就可以得到 文本的特征表达以及对应的动态滤波，即：
3. Synthesis Module (SM)：
SM 是我们框架的核心，用于融合多个模态的信息。如图5所示，我们首先将 IN 以及 空间位置的表达，进行 concatenate，然后用 dynamic filter 对这个结果进行卷积，得到一个响应图，RESP，由 K 个 channel 组成。下一步，我们将 IN，LOC，以及 Ft 沿着 channel dimension 进行 concatenate，得到一个表达 I’。最终，我们用 1*1 的卷积来融合所有的信息，每一个时间步骤，我们有一个输出，即作为 Mt，最终，表达为：
下一步，我们用 mSRU 来产生一个 3D 的 tensor。
4. Upsampling Module (UM) :
最终，我们采用 上采样的方式，得到最终分割的 map 结果。
===== 几点疑问：
1. 作者将 spatial LOC 的信息也结合到网络中？
The same operation can also be found from the reference papers:
1. Segmentation from Natural Language Expressions ECCV 2016
2. Recurrent Multimodal Interaction for Referring Image Segmentation ICCV 2017
In the paper "Segmentation from Natural Language Expressions", I find the following parts to explain why we should use the spatial location information and concatenate with image feature maps.
2. Run the code successfully.
1 wangxiao@AHU:/DMS$ python3 -u -m dmn_pytorch.train --backend dpn92 --num-filters 10 --lang-layers 3 --mix-we --accum-iters 1 2 /usr/local/lib/python3.6/site-packages/torch/utils/cpp_extension.py:118: UserWarning: 3 4 !! WARNING !! 5 6 !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! 7 Your compiler (c++) may be ABI-incompatible with PyTorch! 8 Please use a compiler that is ABI-compatible with GCC 4.9 and above. 9 See https://gcc.gnu.org/onlinedocs/libstdc++/manual/abi.html. 10 11 See https://gist.github.com/goldsborough/d466f43e8ffc948ff92de7486c5216d6 12 for instructions on how to install GCC 4.9 or higher. 13 !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! 14 15 !! WARNING !! 16 17 warnings.warn(ABI_INCOMPATIBILITY_WARNING.format(compiler)) 18 Argument list to program 19 --data /DMS/referit_data 20 --split_root /DMS/referit_data/referit/splits/referit 21 --save_folder weights/ 22 --snapshot weights/qseg_weights.pth 23 --num_workers 2 24 --dataset unc 25 --split train 26 --val None 27 --eval_first False 28 --workers 4 29 --no_cuda False 30 --log_interval 200 31 --backup_iters 10000 32 --batch_size 1 33 --epochs 40 34 --lr 1e-05 35 --patience 2 36 --seed 1111 37 --iou_loss False 38 --start_epoch 1 39 --optim_snapshot weights/qsegnet_optim.pth 40 --accum_iters 1 41 --pin_memory False 42 --size 512 43 --time -1 44 --emb_size 1000 45 --hid_size 1000 46 --vis_size 2688 47 --num_filters 10 48 --mixed_size 1000 49 --hid_mixed_size 1005 50 --lang_layers 3 51 --mixed_layers 3 52 --backend dpn92 53 --mix_we True 54 --lstm False 55 --high_res False 56 --upsamp_mode bilinear 57 --upsamp_size 3 58 --upsamp_amplification 32 59 --dmn_freeze False 60 --visdom None 61 --env DMN-train 62 63 64 65 Processing unc: train set 66 loading dataset refcoco into memory... 67 creating index... 68 index created. 69 DONE (t=5.78s) 70 Saving dataset corpus dictionary... 71 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 42404/42404 [10:18<00:00, 68.56it/s] 72 Processing unc: val set 73 loading dataset refcoco into memory... 74 creating index... 75 index created. 76 DONE (t=21.52s) 77 100%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 3811/3811 [00:53<00:00, 71.45it/s] 78 Processing unc: trainval set 79 loading dataset refcoco into memory... 80 creating index... 81 index created. 82 DONE (t=4.97s) 83 0it [00:00, ?it/s] 84 Processing unc: testA set 85 loading dataset refcoco into memory... 86 creating index... 87 index created. 88 DONE (t=5.24s) 89 100%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 1975/1975 [00:27<00:00, 72.62it/s] 90 Processing unc: testB set 91 loading dataset refcoco into memory... 92 creating index... 93 index created. 94 DONE (t=5.06s) 95 100%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 1810/1810 [00:31<00:00, 57.91it/s] 96 Train begins... 97 [ 1] ( 0/120624) | ms/batch 456.690311 | loss 3.530792 | lr 0.0000100 98 [ 1] ( 200/120624) | ms/batch 273.972313 | loss 1.487153 | lr 0.0000100 99 [ 1] ( 400/120624) | ms/batch 257.813077 | loss 1.036689 | lr 0.0000100 100 [ 1] ( 600/120624) | ms/batch 251.565860 | loss 1.047311 | lr 0.0000100 101 [ 1] ( 800/120624) | ms/batch 249.070073 | loss 1.657688 | lr 0.0000100 102 [ 1] ( 1000/120624) | ms/batch 246.906650 | loss 1.815347 | lr 0.0000100 103 [ 1] ( 1200/120624) | ms/batch 245.645234 | loss 2.601908 | lr 0.0000100 104 [ 1] ( 1400/120624) | ms/batch 245.039105 | loss 1.495383 | lr 0.0000100 105 [ 1] ( 1600/120624) | ms/batch 244.460579 | loss 1.441855 | lr 0.0000100
