來源丨 GiantPandaCV
文章目錄

• 1 前言
• 2 CWT-for-FSS 整體架構(gòu)
• 3 求解方法
• 4 實(shí)驗(yàn)結(jié)果分析
• 5 代碼和可視化
• 6 總結(jié)
• 7 參考鏈接

  1 前言
  

之前寫了幾篇醫(yī)學(xué)圖像分割相關(guān)的論文閱讀筆記，這次打算開個(gè)小樣本語義分割的新坑。這篇閱讀筆記中介紹的論文也是很久之前讀過的，接受在 ICCV 上，思路值得借鑒。代碼也已經(jīng)跑過了，但是一直沒來得及整理，arXiv：https://arxiv.org/pdf/2108.03032.pdf 。

針對小樣本語義分割問題，這篇論文提出一種更加簡潔的元學(xué)習(xí)范式，即只對分類器進(jìn)行元學(xué)習(xí)，對特征編碼****采用常規(guī)分割模型訓(xùn)練方式。也就是說只對 Classifier Weight Transformer（后面都簡稱 CWT）進(jìn)行元學(xué)習(xí)的訓(xùn)練，使得 CWT 可以動(dòng)態(tài)地適應(yīng)測試樣本，從而提高分割準(zhǔn)確率。

先來介紹下背景，傳統(tǒng)的語義分割通常由三部分組成：一個(gè) CNN 編碼器，一個(gè) CNN ****和一個(gè)區(qū)分前景像素與背景像素的簡單的分類器。

當(dāng)模型學(xué)習(xí)識(shí)別一個(gè)沒見過的新類時(shí)，需要分別訓(xùn)練這三個(gè)部分進(jìn)行元學(xué)習(xí)，如果新類別中圖象太少，那么同時(shí)訓(xùn)練三個(gè)模塊就十分困難。

在這篇文論文中， 提出一種新的訓(xùn)練方法，在面對新類時(shí)只關(guān)注模型中最簡單的分類器。就像文中假設(shè)一個(gè)學(xué)習(xí)了大量圖片和信息的傳統(tǒng)分割網(wǎng)絡(luò)已經(jīng)能夠從任何一張圖片中捕捉到充分的，有利于區(qū)分背景和前景的信息，無論訓(xùn)練時(shí)是否遇到了同類的圖。那么面對少樣本的新類時(shí)，只要對分類器進(jìn)行元學(xué)習(xí)即可。

這篇閱讀筆記首先概述了 CWT-for-FSS 的整體結(jié)構(gòu)，再介紹了訓(xùn)練方法，然后分析了實(shí)驗(yàn)結(jié)果，最后對代碼訓(xùn)練做了簡單的指南。

2 CWT-for-FSS 整體架構(gòu)

一個(gè)小樣本分類系統(tǒng)一般由三部分構(gòu)成：編碼器，****和分類器。

其中，前兩個(gè)模塊模型比較復(fù)雜，最后一個(gè)分類器結(jié)構(gòu)簡單。小樣本分類方法通常在元學(xué)習(xí)的過程中更新所有模塊或者除編碼器外的模塊，而所利用更新模塊的數(shù)據(jù)僅僅有幾個(gè)樣本。

在這樣的情況下，模型更新的參數(shù)量相比于數(shù)據(jù)提供的信息量過多，從而不足以優(yōu)化模型參數(shù)。基于此分析，文章中提出了一個(gè)全新的元學(xué)習(xí)訓(xùn)練范式，即只對分類器進(jìn)行元學(xué)習(xí)。兩種方式的對比，如下圖：

值得注意的是，我們知道在 Support set 上迭代的模型往往不能很好地作用在 Query set 上，因?yàn)橥悇e的圖像也可能存在差異。

利用 CWT 來解決這個(gè)問題，就是這篇論文的重點(diǎn)。也就是說，可以動(dòng)態(tài)地利用 Query set 的特征信息來進(jìn)一步更新分類器，來提高分割的精準(zhǔn)度。整體架構(gòu)如下圖：

借助 Transformer 的思想，將分類器權(quán)重轉(zhuǎn)化為 Query，將 Query set 提取出來的特征轉(zhuǎn)化為 Key 和 Value，然后根據(jù)這三個(gè)值調(diào)整分類器權(quán)重，最后通過殘差連接，與原分類器參數(shù)求和。

3 求解方法

首先，對網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練，這里就不再贅述。然后就是對 CWT 進(jìn)行元學(xué)習(xí)，分兩步，第一步是內(nèi)循環(huán)，和預(yù)訓(xùn)練一樣，根據(jù)支持集上的圖片和 mask 進(jìn)行訓(xùn)練，不過只修改分類器參數(shù)。

當(dāng)新類樣本數(shù)夠大時(shí)，只使用外循環(huán)，即只更新分類器，就能匹敵 SOTA，但是當(dāng)面對小樣本時(shí)，表現(xiàn)就不盡如人意。第二步是外循環(huán)，根據(jù)每一副查詢圖片，微調(diào)分類器參數(shù)。

微調(diào)后的參數(shù)只針對這一張查詢圖片，不能用于其他查詢圖象，也不覆蓋修改原分類器參數(shù)。

假設(shè)一張查詢圖像，提取出的特征為F，形狀為 n × d，n為單通道的像素?cái)?shù)，d為通道數(shù)，則全連接分類器參數(shù) w 形狀為  2 × d。參照 Transformer，令 Query = w × Wq, Key = F × Wk, Value = F × Wv，其中 Wq、Wk 和Wv 均為可學(xué)習(xí)的 d × da 矩陣，d 為維度數(shù)，da 為人為規(guī)定的隱藏層維度數(shù)，本文將其設(shè)置為了 2048。根據(jù)這三個(gè)數(shù)，以及殘差鏈接，可求得新分類器權(quán)重為：

其中，Ψ 是一個(gè)線性層，輸入維度為 da，輸出維度為 d。softmax 針對的維度為行。求出每一張查詢集對應(yīng)的權(quán)重后，只需要把特征 F 塞進(jìn) w* 就好。

4 實(shí)驗(yàn)結(jié)果分析

這部分展示論文中的實(shí)驗(yàn)結(jié)果，在兩個(gè)標(biāo)準(zhǔn)小樣本分割數(shù)據(jù)集 PASCAL 和 COCO 上，文中的方法在大多數(shù)情況下取得了最優(yōu)的結(jié)果。

此外，文中實(shí)驗(yàn)在一種跨數(shù)據(jù)集的情景下測試了模型的性能，可以看出 CWT-for-FSS 方法具有了很好的魯棒性。

最后，可視化結(jié)果如下：

代碼已經(jīng)開開源在 https://github.com/lixiang007666/CWT-for-FSS 上，最后我們簡單看下如何使用。倉庫提供了訓(xùn)練腳本：

sh scripts/train.sh pascal 0 [0] 50 1

后面幾個(gè)參數(shù)依次為數(shù)據(jù)集指定、split 數(shù)、gpus、layers 和 k-shots。如果需要多卡訓(xùn)練，gpus 為[0,1,3,4,5,6,7]，layers 除了 50 還可以指定為 101，說明 backbone 為 resnet101。對應(yīng)的，測試的腳本為 scripts/test.sh。

此外，倉庫中的代碼并沒有提供可視化腳本。如果需要可視化分割結(jié)果，可以參考下面的代碼。首先將以下內(nèi)容插入主 test.py 腳本（在 classes.append() 下方）:

                logits_q[i] = pred_q.detach()
                gt_q[i, 0] = q_label
                classes.append([class_.item() for class_ in subcls])
                # Insert visualization routine here 
                if args.visualize:
                    output = {}
                    output['query'], output['support'] = {}, {}
                    output['query']['gt'], output['query']['pred'] =     vis_res(qry_oris[0][0],      qry_oris[1], F.interpolate(pred_q, size=q_label.size()[1:], mode='bilinear', align_corners=True).squeeze().detach().cpu().numpy())
                    spprt_label = torch.cat(spprt_oris[1], 0)
                    output['support']['gt'], output['support']['pred'] = vis_res(spprt_oris[0][0][0],spprt_label, output_support.squeeze().detach().cpu().numpy())

                    save_image = np.concatenate((output['support']['gt'], output['query']['gt'], output['query']['pred']), 1)
                    cv2.imwrite('./analysis/' + qry_oris[0][0].split('/')[-1] ,   save_image)

主要可視化函數(shù)vis_res如下：

def resize_image_label(image, label, size = 473):
    import cv2
    def find_new_hw(ori_h, ori_w, test_size):
        if ori_h >= ori_w:
            ratio = test_size * 1.0 / ori_h
            new_h = test_size
            new_w = int(ori_w * ratio)
        elif ori_w > ori_h:
            ratio = test_size * 1.0 / ori_w
            new_h = int(ori_h * ratio)
            new_w = test_size

        if new_h % 8 != 0:
            new_h = (int(new_h / 8)) * 8
        else:
            new_h = new_h
        if new_w % 8 != 0:
            new_w = (int(new_w / 8)) * 8
        else:
            new_w = new_w
        return new_h, new_w

    # Step 1: resize while keeping the h/w ratio. The largest side (i.e height or width) is reduced to $size.
    #                                             The other is reduced accordingly
    test_size = size
    new_h, new_w = find_new_hw(image.shape[0], image.shape[1], test_size)

    image_crop = cv2.resize(image, dsize=(int(new_w), int(new_h)),
                            interpolation=cv2.INTER_LINEAR)

    # Step 2: Pad wtih 0 whatever needs to be padded to get a ($size, $size) image
    back_crop = np.zeros((test_size, test_size, 3))

    back_crop[:new_h, :new_w, :] = image_crop
    image = back_crop

    # Step 3: Do the same for the label (the padding is 255)
    s_mask = label
    new_h, new_w = find_new_hw(s_mask.shape[0], s_mask.shape[1], test_size)
    s_mask = cv2.resize(s_mask.astype(np.float32), dsize=(int(new_w), int(new_h)),
                        interpolation=cv2.INTER_NEAREST)
    back_crop_s_mask = np.ones((test_size, test_size)) * 255
    back_crop_s_mask[:new_h, :new_w] = s_mask
    label = back_crop_s_mask

    return image, label

def vis_res(image_path, label, pred):

    import cv2
    def read_image(path):
        image = cv2.imread(path, cv2.IMREAD_COLOR)
        image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
        image = np.float32(image)
        return image

    def label_to_image(label):
        label = label == 1.
        label = np.float32(label) * 255.
        placeholder = np.zeros_like(label)
        label = np.concatenate((label, placeholder), 0)
        label = np.concatenate((label, placeholder), 0)
        label = np.transpose(label, (1,2,0))
        return label

    def blend_image_label(image, label):
        result = 0.5 * image + 0.5 * label
        result = np.float32(result)
        result = cv2.cvtColor(result, cv2.COLOR_BGR2RGB)

        return result

    def pred_to_image(label):
        label = np.float32(label) * 255.
        placeholder = np.zeros_like(label)
        placeholder = np.concatenate((placeholder, placeholder), 0)
        label = np.concatenate((placeholder, label), 0)
        label = np.transpose(label, (1,2,0))
        return label

    image = read_image(image_path)
    label = label.squeeze().detach().cpu().numpy()
    image, label = resize_image_label(image, label)
    label = label_to_image(np.expand_dims(label, 0))
    out_image_gt = blend_image_label(image, label)
    #cv2.imwrite('./analysis/' + image_path.split('/')[-1][:-4] +  '_gt.jpg',   out_image)

    pred  = np.argmax(pred, 0)
    pred = np.expand_dims(pred, 0)
    pred = pred_to_image(pred)
    out_image_pred = blend_image_label(image, pred)
    #cv2.imwrite('./analysis/' + image_path.split('/')[-1][:-4] +  '_pred.jpg',   out_image)

    return out_image_gt, out_image_pred

注意，是在每次測試迭代結(jié)束時(shí)可視化分割結(jié)果。

6 總結(jié)

這篇閱讀筆記介紹了一種新的元學(xué)習(xí)訓(xùn)練范式來解決小樣本語義分割問題。相比于現(xiàn)有的方法，這種方法更加簡潔有效，只對分類器進(jìn)行元學(xué)習(xí)。

重要的是，為了解決類內(nèi)差異問題，提出 Classifier Weight Transformer 利用 Query 特征信息來迭代訓(xùn)練分類器，從而獲得更加魯棒和精準(zhǔn)的分割效果。

7 參考鏈接

• https://github.com/zhiheLu/CWT-for-FSS
• https://arxiv.org/pdf/2108.03032.pdf