网站模板平台资源搜索引擎seo关键词优化

MaskFormer

背景

语义分割：任务是为图像中每一个像素分配一个类别标签，传统方式通常视为逐像素分类，模型会输出一个与输入图像尺寸相同的特征图，每个位置是一个类别概率向量。

实例分割：任务不仅需要区分类别，还要区分同一类别的不同个体，传统上，这类任务通常使用掩码分类，即模型先检测出物体框，再为每个框预测一个二进制掩码

本文提出：

掩码分类（mask classification）本身就足够通用，可以用完全相同的模型、损失函数和训练流程，以统一的方式同时解决语义级和实例级的分割问题。

语义分割=实例分割+实例分类

逐像素分类（左边）

• 模型最终输出是 [H x W x 类别数]
• 使用“逐像素分类损失”

掩码分类（右边）：

• 掩码分类预测一组二进制掩码，并为每个掩码分配一个类。
• 每个像素的二进制掩码损失和分类损失

模型结构

MaskFormer包含三个模块：

• 像素级模块：其职责是处理输入图像，提取图像特征，并生成高分辨率，精细的像素级特征表示，这特征是后续生成掩码的基础
• Transformer模块：它接收来自像素级模块的信息以及一组可学习的查询（query），通过自注意力和交叉注意力机制，输出 N 个全局的、抽象的特征向量。每个向量都编码了图像中某个潜在物体或区域的全局信息。
• 分割模块：这是一个轻量级的预测头，它将 Transformer 模块输出的每个抽象特征向量，分别转换为：
  • 一个类别概率分布（$p_i$）:预测这个向量所代表的区域属于哪个类别
  • 一个二进制掩码（$m_j$）:预测这个区域在图像中具体的像素级位置

在推理时，模型输出的就是这N个对，再通过简单的规则，就能够组装成最终的语义分割图或者实例分割图

像素级模块

• Backbone：用于提取图像特征，其输出通常是一个空间分辨率较低，但通道数丰富，语义信息强的特征图
• 像素解码器（Pixel Decoder）：负责将Backbone输出的低分辨率特征图逐步上采样，恢复到与原图相同的大小（H x W），这个过程的输出不再是简单的特征图，而是被称作 “逐像素嵌入”，它为每个像素位置都赋予了一个特征向量

Transformer 模块

• 输入：
  • 由Backbone提取的，包含丰富视觉信息的特征图
  • 可学习查询向量（Queries）：N 个可训练的向量，可以理解为模型需要寻找的“N种不同目标或者区域的模板”
• 过程：通过Transformer解码器的交叉注意力机制，每个“查询”都会主动地去“查询”和“收集”整个图像特征 F中与自己相关的信息。
• 输出：经过多层计算后，每个查询向量都变成了一个信息丰富的“每片段嵌入” Q，它编码了某个特定目标的全局信息

分割模块：从抽象嵌入到具体预测

此模块负责将Transformer输出的抽象嵌入Q解码为具体的类别和掩码预测，它包含两条并行的通路：

• 类别预测通路

  • 一个线性分类器（全连接层）接一个softmax函数，直接作用在每个片段嵌入 Q上，输出一个 K+1维的概率分布 $p_i$，表示这个片段属于各个类别（包括“无对象”）的概率。

• 掩码预测通路

  • 步骤一（生成掩码嵌入）： 用一个小的MLP将每个全局的片段嵌入 Q转换为一个“掩码嵌入” E_mask。这个掩码嵌入可以看作是该目标掩码的特征编码。
  • 步骤2（生成掩码本身）： 这是非常巧妙的一步。掩码的生成是通过计算掩码嵌入 E_mask 与像素级模块输出的高分辨率逐像素嵌入 E_pixel的点积（相似度）来实现的。

损失函数：

• 分类损失：标准的交叉熵损失，用于优化类别预测的准确性
• 掩码损失： 用于优化预测掩码的形状准确性
  • Focal Loss：对难分类的像素点（例如边界）给予更高的关注，优化掩码的细节
  • Dice Loss：接优化预测掩码和真实掩码之间的重叠面积（交并比），非常适用于评估分割效果