拿transformer做E2E全景分割，這個通用框架霸榜挑戰賽，南大、港大聯合提出

語義分割和 實例分割是兩個重要且相互關聯的視覺問題，它們之間的潛在聯繫使得全景分割可以統一這兩個任務。在全景分割中，圖像信息被分成兩類：Things 和 Stuff。其中 Things 是可數的實例 (例如，人、汽車、自行車)，每個實例都有一個惟一的 id，以區別於其他實例。Stuff 是指無定形和不可數的區域 (如天空、草原和雪)，沒有實例 id。

Things 和 Stuff 之間的差異也導致了不同的處理方式。許多工作只是將全景分割分解爲 Things 實例分割任務和 Stuff 語義分割任務。然而，這種分離處理策略會增加模型的複雜性和不必要的工件。雖然一些研究考慮自底向上的 實例分割方法，但這種方法仍然保持了類似的分離策略。還有一些方法在處理 Things 和 Stuff 任務時，試圖通過在一個統一的框架中來簡化全景分割 pipeline 來實現。

來自南京大學、香港大學、英偉達等機構的研究者提出了 Panoptic SegFormer，這是一個使用 Transformer 進行端到端全景分割的通用框架。該方法擴展了 Deformable DETR，併爲 Things 和 Stuff 提供了統一的 mask 預測工作流程，使全景分割 pipeline 簡潔高效。

論文地址：https://arxiv.org/pdf/2109.03814v1.pdf

該研究使用 ResNet-50 作爲網絡主幹，在 COCO test-dev 拆分中實現了 50.0% 的 PQ，在無需附屬條件（bells and whistles）的情況下，結果顯著優於 SOTA 方法。此外，使用性能更強的 PVTv2-B5 作爲網絡主幹，Panopoptic SegFormer 在 COCO val 和 test-dev 拆分上以單尺度輸入實現了 54.1%PQ 和 54.4%PQ 的新記錄。

論文作者之一、英偉達研究院高級研究科學家 Zhiding Yu 表示：「目前，Panoptic SegFormer 在 COCO 2020 全景分割挑戰賽中位列第一名。」

COCO 全景分割挑戰賽地址：https://competitions.codalab.org/competitions/19507#learn_the_details-overview

方法研究

如圖 2 所示，Panoptic SegFormer 由三個關鍵模塊組成：transformer 編碼器、位置解碼器（location decoder）、掩碼解碼器（mask decoder）。其中：

（1）transformer 編碼器用於細化主幹給出的多尺度特徵圖；

（2）位置解碼器用於捕獲物體的位置線索；

（3）掩碼解碼器用於最終分類和分割。

圖 2：Panoptic SegFormer 架構。

Transformer 編碼器

分割任務中有兩個比較重要的因素：高分辨率和多尺度特徵圖。由於多頭注意力層的計算成本很高，以前基於 transformer 的方法只能在編碼器中處理低分辨率的特徵圖，這限制了分割性能。與這些方法不同，該研究使用可變形注意力層來實現 transformer 編碼器。由於可變形注意層的計算複雜度較低，因此該研究的編碼器可以將位置編碼細化爲高分辨率和多尺度特徵 映射。

位置解碼器

在全景分割任務中，位置信息在區分具有不同實例 id 的 things 方面起着重要作用。受此啓發，該研究設計了一個位置解碼器，將 things 和 stuff 位置信息引入到可學習的 查詢中。

具體來說，給定 N 個隨機初始化的 查詢和由 Transformer 編碼器生成的細化特徵 token，解碼器將輸出 N 個位置 感知 查詢。在訓練階段，該研究在位置 感知 查詢之上應用輔助 MLP 頭來預測目標物體的中心位置和尺度，並使用位置損失 L_loc 進行監督預測。請注意，MLP 頭是一個輔助分支，在推理階段可以丟棄。

掩碼解碼器

如圖 3 所示，掩碼解碼器根據給定的 查詢來預測物體類別和掩碼。掩碼解碼器的 查詢 Q 是來自位置解碼器的位置 感知 查詢，掩碼解碼器的鍵 K 和值 V 是來自 transformer 編碼器的細化特徵 token F。

 圖 3：掩碼解碼器架構。

 Mask-Wise 推理

全景分割要求爲每個像素分配一個類別標籤（或空白）和一個實例 id（對於 stuff 忽略 id）。一種常用的後處理方法是啓發式過程，它採用類似 NMS 的過程來生成 things 的非重疊 實例分割，稱之爲 mask-wise 策略。

對於 stuff，該研究採用基於啓發式過程的 mask-wise 策略來生成非重疊結果，而不是 pixel-wise 策略。此外，該研究平等的對待 things 、stuff ，並通過它們的置信度分數來解決所有掩碼之間的重疊，而不是在啓發式過程中（things 和 stuff 着兩者）傾向於 things，這標誌着該研究所用方法與其他方法之間的差異。Mask-Wise 推理過程如下所示：

Mask-Wise 推理過程。

實驗

該研究在 COCO 上對 Panoptic SegFormer 進行評估，並將其與 SOTA 方法進行比較。實驗提供了全景分割的主要結果和一些可視化結果。

該研究在 COCO val set 和 test-dev set 上進行實驗。下表 1 和表 2 報告了 Panoptic SegFormer 與其他 SOTA 方法的對比結果。Panoptic SegFormer 在以 ResNet-50 作爲主幹和單尺度輸入的的情況下，在 COCO val 上獲得了 50.0% PQ，並且超過了之前的方法 PanopticFCN 和 DETR ，分別提高了 6.4% PQ 和 6.6% PQ。

表 1：在 COCO val set 上的實驗。Panotic SegFormer 在以 ResNet-50 爲主幹的 COCO val 上實現了 50.0% 的 PQ，超過了之前的方法。

下表 2 中：在 COCO test-dev set 進行實驗，以 PVTv2-B5 作爲主幹，Panoptic SegFormer 在 COCO test-dev 上實現了 54.4% 的 PQ，超越 SOTA 方法 Max-Deeplabe-L 和競爭級方法 Innovation，分別超過 3.1% PQ 和 0.9% PQ，且 參數和計算成本更低。

下圖 4 顯示了在 COCO val set 的一些可視化結果。這些原始圖像是高度擁擠或被遮擋的場景，但是 Panoptic SegFormer 仍然可以得到令人信服的結果。

實例分割：下表 3 爲在 COCO test-dev set 實例分割結果。爲了公平比較，該研究使用 300 個 查詢進行 實例分割，並且只使用 things 數據。以 ResNet-50 作爲主幹和單尺度輸入，Panoptic SegFormer 實現了 41.7 AP，超過了之前的 HTC 和 QueryInst SOTA 方法，且分別超過了 1.6 AP 和 1.1 AP。

下表 4 中展示了模型複雜性和推理效率，得出 Panoptic SegFormer 在可接受的推理速度下，能夠實現 SOTA 性能全景分割。