用Transformer進行圖像語義分割，性能超最先進的卷積方法
本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯系出處。
正如大家所知，在進行圖像語義分割時，圖像被編碼成一系列補丁后往往很模糊，需要借助上下文信息才能被正確分割。
因此上下文建模對圖像語義分割的性能至關重要！
而與以往基于卷積網絡的方法不同，來自法國的一個研究團隊另辟蹊徑，提出了一種只使用Transformer的語義分割方法。
最先進的卷積方法">該方法“效果拔群”，可以很好地捕捉圖像全局上下文信息！
最先進的卷積方法">要知道，就連取得了驕人成績的FCN（完全卷積網絡）都有“圖像全局信息訪問限制”的問題。（卷積結構在圖像語義分割方面目前有無法打破的局限）
而這次這個方法在具有挑戰性的ADE20K數據集上，性能都超過了最先進的卷積方法！
不得不說，Transformer跨界計算機視覺領域真是越來越頻繁了、效果也越來越成功了！
那這次表現優異的Transformer語義分割，用了什么不一樣的“配方”嗎？
使用Vision Transformer
沒錯，這次這個最終被命名為Segmenter的語義分割模型，主要基于去年10月份才誕生的一個用于計算機視覺領域的“新秀”Transformer：Vision Transformer，簡稱ViT。
ViT有多“秀”呢？
ViT采用純Transformer架構，將圖像分成多個patches進行輸入，在很多圖像分類任務中表現都不輸最先進的卷積網絡。
缺點就是在訓練數據集較小時，性能不是很好。
Segmenter作為一個純Transformer的編碼-解碼架構，利用了模型每一層的全局圖像上下文。
基于最新的ViT研究成果，將圖像分割成塊（patches），并將它們映射為一個線性嵌入序列，用編碼器進行編碼。再由Mask Transformer將編碼器和類嵌入的輸出進行解碼，上采樣后應用Argmax給每個像素一一分好類，輸出最終的像素分割圖。
下面是該模型的架構示意圖：
最先進的卷積方法">解碼階段采用了聯合處理圖像塊和類嵌入的簡單方法，解碼器Mask Transformer可以通過用對象嵌入代替類嵌入來直接進行全景分割。
效果如何
多說無益，看看實際效果如何？
首先他們在ADE20K數據集上比較不同Transformer變體，研究不同參數（正則化、模型大小、圖像塊大小、訓練數據集大小，模型性能，不同的解碼器等），全方面比較Segmenter與基于卷積的語義分割方法。
其中ADE20K數據集，包含具有挑戰性的細粒度（fine-grained）標簽場景，是最具挑戰性的語義分割數據集之一。
下表是不同正則化方案的比較結果：
他們發現隨機深度（Stochastic Depth）方案可獨立提高性能，而dropout無論是單獨還是與隨機深度相結合，都會損耗性能。
最先進的卷積方法">不同圖像塊大小和不同transformer的性能比較發現：
增加圖像塊的大小會導致圖像的表示更粗糙，但會產生處理速度更快的小序列。
減少圖像塊大小是一個強大的改進方式，不用引入任何參數！但需要在較長的序列上計算Attention，會增加計算時間和內存占用。
最先進的卷積方法">Segmenter在使用大型transformer模型或小規模圖像塊的情況下更優：
最先進的卷積方法">（表中間是帶有線性解碼器的不同編碼器，表底部是帶有Mask Transformer作為解碼器的不同編碼器）
下圖也顯示了Segmenter的明顯優勢，其中Seg/16模型（圖像塊大小為16x16）在性能與準確性方面表現最好。
最先進的卷積方法">最后，我們再來看看Segmenter與SOTA的比較：
在最具挑戰性的ADE20K數據集上，Segmenter兩項指標均高于所有SOTA模型！
最先進的卷積方法">（中間太長已省略）
最先進的卷積方法">在Cityscapes數據集上與大多數SOTA不相上下，只比性能最好的Panoptic-Deeplab低0.8。
最先進的卷積方法">在Pascal Context數據集上的表現也是如此。
最先進的卷積方法">剩余參數比較，大家有興趣的可按需查看論文細節。
論文地址：
https://www.arxiv-vanity.com/papers/2105.05633/
