實例分割的任務(wù)是將圖像中的像素分組為單個事物的實例,并用類標(biāo)簽(可計數(shù)的對象,如人、動物、汽車等,并為每個對象分配獨(dú)特的標(biāo)識符,如 car_1 和 car_2)來標(biāo)識這些事物。實例分割作為一項核心的計算機(jī)視覺任務(wù),對許多下游應(yīng)用至關(guān)重要,如自動駕駛汽車、機(jī)器人、醫(yī)學(xué)成像和照片編輯。
近年來,深度學(xué)習(xí) (Deep learning) 在使用 Mask R-CNN 之類的架構(gòu)解決實例分割問題方面取得了重大進(jìn)展。然而,這些方法依賴于收集大型的標(biāo)簽實例分割數(shù)據(jù)集。但不同于收集邊界框標(biāo)簽的方法,如 Extreme clicking,可以實現(xiàn)每個實例 7 秒的收集速度,收集實例分割標(biāo)簽(稱為“掩碼”)時,每個實例用時可能需要高達(dá) 80 秒,該方式較高的成本,拉高了這項研究的門檻。另一個相關(guān)任務(wù)——泛型分割,甚至需要更多的標(biāo)簽數(shù)據(jù)。
Mask R-CNN
https://arxiv.org/abs/1703.06870
Extreme clicking
https://arxiv.org/abs/1708.02750
高達(dá) 80 秒
https://arxiv.org/abs/1405.0312
部分監(jiān)督的實例分割環(huán)境(即只用實例分割掩碼給一小部分類加標(biāo)簽,其余大部分類只用邊界框來加標(biāo)簽)這一方法有可能減少對人工創(chuàng)建的掩碼標(biāo)簽的依賴,從而大大降低開發(fā)實例分割模型的門檻。不過,這種部分監(jiān)督的方法也需要更強(qiáng)的模型泛化形式來處理訓(xùn)練時沒有遇到過的新類別,例如,只用動物掩碼進(jìn)行訓(xùn)練,然后讓模型針對建筑物或植物產(chǎn)生準(zhǔn)確的實例分割。此外,還有簡單的方法,例如訓(xùn)練一個與類無關(guān)的 Mask R-CNN,同時忽略任何沒有掩碼標(biāo)簽的實例的掩碼損失 (Loss function),但這些方法效果并不好。例如,在典型的 “VOC/Non-VOC” 基準(zhǔn)中,Mask R-CNN 針對 COCO 中 20 個類的子集(稱為“已見類”)進(jìn)行掩碼訓(xùn)練,并在其余 60 個類(稱為“未見類”)上進(jìn)行測試,一個帶有 Resnet-50 主干的典型 Mask R-CNN 在未見類上的 掩碼 mAP(即平均精度,數(shù)值越高越好)只能達(dá)到約 18%,而在全監(jiān)督時,在同一集合上的掩碼 mAP 則高出很多,超過了 34%。
部分監(jiān)督的實例分割環(huán)境
https://arxiv.org/abs/1711.10370
在即將發(fā)布于 ICCV 2021 的“掩碼頭部架構(gòu)對新類別分割的驚人影響 (The surprising impact of mask-head architecture on novel class segmentation)”一文中,我們確定了 Mask R-CNN 在新類別上表現(xiàn)不佳的主要原因,并提出了兩個易于實施的修復(fù)方法(訓(xùn)練協(xié)議修復(fù);掩碼頭部架構(gòu)修復(fù)),這兩種方法協(xié)同作用,可以縮小與全監(jiān)督性能之間的差距。
掩碼頭部架構(gòu)對新類別分割的驚人影響
https://arxiv.org/abs/2104.00613
我們證明了這種方法普遍適用于裁剪-分割模型,即 Mask R-CNN 或類似 Mask R-CNN 的架構(gòu):計算整個圖像的特征表征,然后將每個實例的裁剪傳遞給第二階段的掩碼預(yù)測網(wǎng)絡(luò)(也稱為掩碼頭部網(wǎng)絡(luò))。對發(fā)現(xiàn)結(jié)果進(jìn)行整合,我們提出了基于 Mask R-CNN 的模型,該模型的掩碼 mAP 遠(yuǎn)高于目前最先進(jìn)的模型,提升了 4.7%,且無需更復(fù)雜的輔助損失函數(shù)、離線訓(xùn)練的先驗因素或先前研究中提出的權(quán)重轉(zhuǎn)移函數(shù)。我們還開放了該模型兩個版本的代碼庫,分別稱為 Deep-MAC 和 Deep-MARC,并發(fā)布了一個 colab,從而以互動方式生成掩碼,如下面的視頻演示所示。
Deep-MAC
https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/deepmac.md
Deep-MARC
https://github.com/tensorflow/models/tree/master/official/vision/beta/projects/deepmac_maskrcnn
colab
https://github.com/tensorflow/models/blob/master/research/object_detection/colab_tutorials/deepmac_colab.ipynb
模型 DeepMAC 的演示版,即使是訓(xùn)練時未見過的類,該模型也可以學(xué)習(xí)預(yù)測準(zhǔn)確的掩碼,以及給定用戶所指定的邊框。親自在 colab 中試試吧。圖片來源:Chris Briggs、維基百科和 Europeana
部分監(jiān)督環(huán)境中裁剪方法的影響
裁剪是裁剪-分割模型的一個重要步驟,通過裁剪特征圖以及對應(yīng)每個實例的邊界框的實際掩碼來訓(xùn)練 Mask R-CNN。將這些裁剪過的特征傳遞給另一個神經(jīng)網(wǎng)絡(luò)(稱為掩碼頭部網(wǎng)絡(luò)),該網(wǎng)絡(luò)計算出最終的掩碼預(yù)測,然后將其與掩碼損失函數(shù)中的實際裁剪進(jìn)行比較。裁剪有兩種選擇:(1) 直接對實例的實際邊界框進(jìn)行裁剪, (2) 對模型預(yù)測的邊界框(稱為建議)進(jìn)行裁剪。在測試時始終通過建議來執(zhí)行裁剪,因為要假設(shè)實際邊界框不可用。
“對實際邊界框的裁剪”對比“訓(xùn)練過程中對模型預(yù)測的建議裁剪”。標(biāo)準(zhǔn) Mask R-CNN 實現(xiàn)使用上述兩種類型的裁剪,但我們已經(jīng)證明,只對實際邊界框進(jìn)行裁剪在新類別上表現(xiàn)出顯著的性能優(yōu)勢
我們考慮了一個類似于 Mask R-CNN 的一般架構(gòu)系列,與典型的 Mask R-CNN 訓(xùn)練環(huán)境相比,存在一個微小但關(guān)鍵的區(qū)別:我們在訓(xùn)練時使用實際邊界框(而不是建議邊界框)裁剪
典型的 Mask R-CNN 實現(xiàn)將兩種類型的裁剪都傳遞給掩碼頭部。然而,在傳統(tǒng)的觀點中,這個選擇是一個不重要的實施細(xì)節(jié),因為它在全監(jiān)督環(huán)境中不會對性能產(chǎn)生顯著影響。相反,對于部分監(jiān)督環(huán)境,我們發(fā)現(xiàn)裁剪方法起著重要的作用,雖然在訓(xùn)練過程中,只對實際邊界框進(jìn)行裁剪不會使全監(jiān)督環(huán)境下的結(jié)果發(fā)生明顯變化,但在部分監(jiān)督環(huán)境中卻有著驚人的顯著積極影響,在未見類上的表現(xiàn)明顯改善。
利用建議和實際邊界框(默認(rèn)設(shè)置)或只用實際邊界框進(jìn)行訓(xùn)練時,Mask R-CNN 在未見類上的性能。只用實際邊界框訓(xùn)練掩碼頭部時,在未見類上的性能有明顯的提升,mAP 超過 9%。我們報告了 ResNet-101-FPN 主干加持下的性能
ResNet-101-FPN
https://arxiv.org/pdf/1703.06870.pdf
解鎖掩碼頭部的完全泛化潛力
更令人驚訝的是,上述方法引發(fā)了一個新現(xiàn)象:在訓(xùn)練過程中啟用實際裁剪, Mask R-CNN 的掩碼頭部對模型的泛化能力(泛化至未見類)起著異常重要的作用。舉個例子,我們在下圖中比較了幾個模型,對象為停車計時器、手機(jī)和披薩(訓(xùn)練期間未見過的類)。每個模型都已啟用實際邊界框裁剪,但使用的開箱即用掩碼頭部架構(gòu)不同。
使用四種不同的掩碼頭部架構(gòu)對未見類進(jìn)行掩碼預(yù)測(從左到右分別是:ResNet-4、ResNet-12、ResNet-20、Hourglass-20,其中數(shù)字是指神經(jīng)網(wǎng)絡(luò)的層數(shù))盡管從未見過“停車計時器”、“披薩”或“手機(jī)”類中的掩碼,但最右的掩碼頭部架構(gòu)可以正確分割這些類。我們展示的掩碼頭部架構(gòu)在掩碼預(yù)測方面的性能從左到右依次遞增。此外,這種差異只有在未見類上進(jìn)行評估時才比較明顯,如果在已見類上進(jìn)行評估,所有四個架構(gòu)會表現(xiàn)出類似的性能
ResNet-4
https://arxiv.org/abs/1512.03385
ResNet-12
https://arxiv.org/abs/1512.03385
ResNet-20
https://arxiv.org/abs/1512.03385
Hourglass-20
https://arxiv.org/abs/1603.0693
特別需要注意的是,在全監(jiān)督環(huán)境中,掩碼頭部架構(gòu)之間在這些方面的差異并不明顯。順便說一下,這可能解釋了為什么先前的實例分割研究幾乎只使用淺層(即低層數(shù))掩碼頭部,因為增加復(fù)雜性無法帶來任何優(yōu)勢。下面我們比較了三種不同的掩碼頭部架構(gòu)在已見與未見類上的掩碼 mAP。所有這三種模型在已見類的集合上展現(xiàn)了同樣優(yōu)越的性能,但應(yīng)用于未見類時,深沙漏型掩碼頭部脫穎而出。我們發(fā)現(xiàn),在所嘗試的架構(gòu)中,沙漏型掩碼頭部效果是最好的,并且在使用 50 層以上的沙漏型掩碼頭部時獲得了最佳結(jié)果。
ResNet-4、Hourglass-10 和 Hourglass-52 掩碼頭部架構(gòu)在已見類和未見類上的性能。盡管在已見類上的性能幾乎沒有變化,但在未見類上的性能卻有很大差別
沙漏型
https://arxiv.org/abs/1603.06937
最后,我們證明這一發(fā)現(xiàn)具有普遍性,適用于各種主干(如 ResNet、SpineNet 和 Hourglass)和檢測器架構(gòu),包括基于錨和無錨的檢測器,甚至在根本沒有檢測器的情況下也適用。
基于錨
https://arxiv.org/abs/1506.01497
無錨的檢測器
https://arxiv.org/abs/1904.07850
總結(jié)
為了得出最完善的結(jié)果,我們整合了上述發(fā)現(xiàn):我們在高分辨率圖像 (1280x1280) 上利用 SpineNet 主干訓(xùn)練了一個啟用實際邊界框裁剪且?guī)в猩?Hourglass-52 掩碼頭部的 Mask R-CNN 模型。我們稱此模型為 Deep-MARC (Deep Mask heads Above R-CNN)。在不使用任何離線訓(xùn)練或其他手動先驗因素的情況下,Deep-MARC 超過了之前最先進(jìn)的模型,掩碼 mAP 提高了 4.5%(絕對值)以上。為證明這種方法的普遍性,我們還訓(xùn)練了基于 CenterNet(而非基于 Mask R-CNN)的模型(稱為 Deep-MAC),該模型同樣展現(xiàn)出強(qiáng)大的性能,也超越了之前最先進(jìn)的水平。
結(jié)論
我們開發(fā)的實例分割模型能夠泛化到不屬于訓(xùn)練集的類。這其中要強(qiáng)調(diào)兩個關(guān)鍵因素的作用,這兩個因素可以應(yīng)用于任何裁剪-分割模型(如 Mask R-CNN):(1) 訓(xùn)練過程中的實際邊界框裁剪, (2) 強(qiáng)大的掩碼頭部架構(gòu)。雖然這兩個因素對訓(xùn)練期間有掩碼的類影響不大,但在訓(xùn)練期間沒有掩碼的新類別上,采用這兩個因素會帶來明顯的改善。此外,這兩個因素足以在部分監(jiān)督的 COCO 基準(zhǔn)上實現(xiàn)最先進(jìn)的性能。最后,我們的研究結(jié)果具有普遍性,也可能對相關(guān)的任務(wù)產(chǎn)生影響,如全景分割和姿勢預(yù)測。
責(zé)任編輯:haq
-
模型
+關(guān)注
關(guān)注
1文章
3032瀏覽量
48346 -
架構(gòu)
+關(guān)注
關(guān)注
1文章
501瀏覽量
25374 -
深度學(xué)習(xí)
+關(guān)注
關(guān)注
73文章
5422瀏覽量
120587
原文標(biāo)題:重新審視模型架構(gòu)的掩碼頭部,用于新類別實例分割
文章出處:【微信號:tensorflowers,微信公眾號:Tensorflowers】歡迎添加關(guān)注!文章轉(zhuǎn)載請注明出處。
發(fā)布評論請先 登錄
相關(guān)推薦
評論