DETR 系列 Mask Frozen-DETR: High Quality Instance Segmentation with One GPU 论文阅读笔记

写在前面

  这篇文章的亮点很明显，一个 GPU 就能跑起来！这种题目的构思方式值得学习。

• 论文地址：Mask Frozen-DETR: High Quality Instance Segmentation with One GPU
• 代码地址：arxiv 版本未提供
• 预计投稿于：某个顶会
• Ps：2023 年每周一篇博文阅读笔记，主页 更多干货，欢迎关注呀，期待 5 千粉丝有你的参与呦~

一、Abstract

  本文旨在研究建立一个仅需最小训练时间和 GPU 的实例分割器，Mask Frozen-
DETR，能够将任何基于 DETR 的目标检测模型转化为一个实例分割模型。提出的方法仅需训练附加的轻量化 mask 网络，通过一个冻结的基于 DETR 的目标检测器在 Bounding box 内预测实例 mask。在 COCO 数据集上效果很好，仅需单张 V100 16G 卡即可进行训练。

二、引言

  首先指出实例分割的难点，最近的一些方法：Cascade Mask R-CNN、Mask DINO。这些方法通常以 ResNet-50、Swin-L 为 Backbone，需要大量的 GPU 时间来训练。
  本文表明现有的基于 DETR 的目标检测模型能够转化为实例分割模型。以 $\mathcal{H}$-DETR 和 DINO-DETR 为例，提出两个创新：设计一种轻量化的实例分割网络来有效利用冻结的 DETR 目标检测器的输出；论证本文提出的方法在不同尺度模型下的有效性。

三、相关工作

目标检测

  目标检测是个基础研究领域，涉及大量的工作：Faster R-CNN、Cascade R-CNN、YOLO、DETR、Deformable DETR、DINO-DETR、$\mathcal{H}$-DETR。本文的方法建立在这些基于 DETR 的方法之上，实现 SOTA 性能的同时有着 10 倍的训练速度。

实例分割

  初始的实例分割方法基于 R-CNN 系列，先检测后分割的思想。例如 Mask R-CNN、 Casacde Mask R-CNN、HTC。有一些方法的设计比较简单：SOLO、QueryInst。有一些是基于 DETR 的方法：MaskFormer、Mask2Former、Mask-DINO。还有一些方法建立在 3D 实例分割的基础上，例如 SPFormer。

讨论

  大多数实例分割模型并未利用离线的目标检测模型的权重，因而需要大量的训练时间。本文的方法采用冻结的基于 DETR 的模型，并引入轻量化的实例分割头。下图是一些方法的比较：

四、本文的 方法

4.1 Baseline 设置

  采用 $\mathcal{H}$-DETR+ResNet50 作为 Baseline，并报道 $\mathcal{H}$-DETR+Swin-L 和 DINO-DETR+FocalNet-L 的对比性能。$\mathcal{H}$-DETR+ResNet50 模型预训练在 Object365 数据集上，然后在 COCO 数据集上微调。
  首先基于目标检测模型的最后一层 Transformer 解码器层输出的 queries 得分进行排序，选择出 top~100 个目标 queries 用于 mask 预测。然后将这些 queries { q i ∣ q i ∈ R d } i = 1 N \{{\mathbf{q}_i|\mathbf{q}_i\in\mathbb{R}^\mathsf{d}\}}_{i=1}^N {qi​∣qi​∈Rd}i=1N​ 与 $1/4$ 原始分辨率的图像特征 $F\in {\mathbb{R}}^{\frac{\mathsf{HW}}{16}\times \mathsf{d}}$ 相乘，得到实例分割 masks：
F = C 1 + interpolate ( E ) M i = interpolate ( reshape ( Sigmoid ( q i F ⊤ ) ) )

FMi​​=C1​+interpolate(E)=interpolate(reshape(Sigmoid(qi​F⊤)))​
其中 ${\mathrm{C}}_1\in {\mathbb{R}}^{\frac{\mathsf{HW}}{16}\times \mathsf{d}}$ 表示 Backbone 第一阶段输出的特征图，$\mathbf{E}\in {\mathbb{R}}^{\frac{\mathsf{HW}}{64}\times \mathsf{d}}$ 表示 Transformer 编码器输出的 $1/8$ 原始分辨率的特征图。$\mathsf{H}$，$\mathsf{W}$，$\mathsf{d}$ 分别表示输入图像的高、宽、特征隐藏维度。${\mathrm{M}}_i\in {\mathbb{R}}^{\mathsf{HW}}$ 表示最后预测的 mask 概率图。下图为整体路线图：

  接下来计算置信度得分，从而反应 mask 的质量：
$${\mathrm{s}}_i=c_i\times \frac{\mathrm{sum}({\mathbf{M}}_i[{\mathbf{M}}_i>0.5])}{\mathrm{sum}([{\mathbf{M}}_i>0.5])}$$其中 $c_i$ 表示第 $i$ 个目标 query 的分类得分。
  接下来在预测的 Bounding boxes 内采用 RoIAlign 来聚合用于定位的区域特征图：
$${\mathbf{R}}_i=\mathrm{reshape}(\mathrm{RoIAlign}(\mathrm{reshape}(\mathbf{F}),{\mathbf{b}}_i))$$其中 ${\mathbf{R}}_i\in {\mathbb{R}}^{\mathsf{HW}\times \mathsf{d}}$，${\mathbf{b}}_i$ 表示根据 ${\mathbf{q}}_i$ 预测的 bouding box。默认设置 $\mathsf{h}=32$，$\mathsf{w}=32$。之后计算实例分割 mask：
$${\mathbf{M}}_i^r=\text{paste}(\text{interpolate}(\text{reshape}(\text{Sigmoid}({\mathbf{q}}_i{\mathbf{R}}_i^{\top }))))$$首先将预测的区域 masks 变形和缩放为原始图像尺寸，并将其粘贴到一个空的 mask 上。同样以类似的方式基于 ${\mathbf{M}}_i^r$ 来计算置信度得分。

结果

  根据上表 Baseline 的实验，表明可以从三个方面来提升模型的性能：图像特征编码器的设计、box 区域特征编码器的设计、query 特征编码器的设计。
  接下来在消融实验中通过冻结整体的目标检测器网络，仅仅微调附加引入的参数，约 6 个 epoch 的训练。

实验设置

   AdamW 优化器，初始学习率 $1.5\times 10^{-4}$，${\beta }_1=0.9$，${\beta }_2=0.999$，权重衰减 $5\times 10^{-5}$，训练模型 88500 次，即 6 个 epoch，在 0.9 和 0.95 个迭代次数时，学习率衰减 10%。数据预处理的步骤与 Deformable DETR 相同，Batch_size 8，所有的实验均在单 V100 16G 卡上进行，评估指标 COCO：AP，AP₅₀，AP₇₅，AP_S，AP_M，AP_L。

4.2 图像特征编码器

  首先整合一个可训练的图像特征编码器，将图像特征图转化为一个更合适的特征空间用于实例分割 masks，下图表明了整体的路线图：

  如上图所示，在 Transformer 编码器中应用图像特征编码器到特征图 $\mathbf{E}$ 中：
$$\mathrm{F}={\mathrm{C}}_1+\text{interpolate}({\mathcal{F}}_e(\mathrm{E}))$$其中 ${\mathcal{F}}_e$ 表示图像特征编码器，旨在同时提炼所有目标 queries 的图像特征图。其结构由三种类型的卷积或 Transformer block 块组成。

Deformable encoder block

  采用多尺度 deformable encoder 的设计堆叠多尺度 deformable encoder blocks，从而增强多尺度特征图：
E = [ E 1 , E 2 , E 3 , E 4 ] F e ( E ) = MultiScaleDeformable E n c ( ∣ E 1 , E 2 , E 3 , E 4 ∣ )

EFe​(E)​=[E1​,E2​,E3​,E4​]=MultiScaleDeformableEnc(∣E1​,E2​,E3​,E4​∣)​其中 ${\mathbf{E}}_1$，${\mathbf{E}}_2$，${\mathbf{E}}_3$，${\mathbf{E}}_4$ 分别表示目标检测器中 Transformer 编码器的不同尺度的特征图。每个多尺度 deformable encoder 遵循着 MSDeformAttn → LayerNorm → FFN → LayerNorm 的设计，而 FFN 采用 Linear → GELU → Linear 的设计。

Swin Transformer encoder block

  沿用 Swin Transformer 的设计，应用堆叠的多个 Swin Transformer blocks 在最高分辨率的特征图 ${\mathbf{E}}_1$ 上：
$${\mathcal{F}}_e({\mathbf{E}}_1)=\text{SwinTransformer}\mathrm{Enc}({\mathbf{E}}_1)$$其中每个 Swin Transformer block 都是沿着 LayerNorm → W-MSA → LayerNorm → FFN 的路线。W-MSA 表示滑动窗口的多头自注意力操作。

ConvNext encoder block

  应用 ConvNext encoder block 在 Transformer encoder 的特征图上：
$${\mathcal{F}}_e({\mathbf{E}}_1)=\text{ConvNextBlock}({\mathbf{E}}_1)$$其中每个 ConvNext block 沿着 DWC → LayerNorm → FFN 的路线，DWC 表示大尺度卷积核 $7\times 7$ 的逐深度卷积。

结果

4.3 Box 特征编码器

  Box 特征编码器路线图如下图所示：

如上图所示，在 ${\mathbf{R}}_i$ 中简单的添加一个额外的 transformer 层：
$${\mathbf{R}}_i={\mathcal{F}}_b({\mathbf{R}}_i)$$与图像特征编码器类似，研究不同的 box 特征编码器的结构对于模型性能的影响。

通道映射器

  使用通道映射器作为一个简单的线性层来减少 $\mathbf{F}\in {\mathbb{R}}^{\frac{\mathsf{HW}}{16}\times \mathsf{d}}$ 的特征通道维度，并将 box 区域特征编码器应用在更新后的特征图上。

结果

4.4 Query 特征编码器

Object-to-Object attention

  目标之间的彼此接近可能会导致多个实例在同一个 Bounding box 内，于是添加 Object-to-Object 注意力来辅助 Object Query 彼此间能够区分开来。具体来说，使用多头注意力机制来处理 Queries：
$$[{\mathbf{q}}_1,{\mathbf{q}}_2,\cdots ,{\mathbf{q}}_N]=\text{SelfAttention}([{\mathbf{q}}_1,{\mathbf{q}}_2,\cdots ,{\mathbf{q}}_N])$$

Box-to-object attention

  在冻结的基于 DETR 的目标检测器中，目标 queries 用于执行目标检测并处理整个图像特征，而非单个的区域特征。于是引入 Box-to-object 注意力将 queries 转化为适应分割任务的 queries：
$${\mathbf{q}}_i=\text{CrossAttention}({\mathbf{q}}_i,{\mathbf{R}}_i)$$其中目标 queries 通过指代的 box 区域特征来更新。

FFN

  FFN对调整 Object query 表示可能也有一个辅助作用。

结果

  结论：仅采用 Box-to-object 注意力的设计就可以了。

4.5 其他的提升

在采样像素点上的 Mask Loss

  在最终损失的计算过程中，引入采样点的 Mask 损失。具体来说，考虑 $N$ 个点，过采样率 $k(k>1)$，采样率 $\beta (\beta \in [0,1])$。从输出的 mask 中随机采样 $kN$ 个点，并从这些采样点中随机选择 $\beta N$ 个点。然后随机采样其他的 $(1-\beta )N$ 个点，计算这 $N$ 个点的损失。

Mask 打分

  由于冻结的 DETR 输出的分类得分不能反应分割 mask 的质量，于是引入 Mask 打分来调整分类分数。具体来说， mask 打分头以 mask 和 box 区域特征作为输入，来预测输出的 masks 和 GT 的 IoU 得分：
$${\mathrm{iou}}_i=\mathrm{MLP}(\mathrm{Flatten}(\mathrm{Conv}(\mathrm{Cat}({\mathbf{M}}_i,{\mathbf{R}}_i))))$$其中 Cat、Conv、MLP 分别表示拼接操作、卷积层、多层感知机。通过 mask 打分头预测出的 iou 得分用于调整分类分数：
$${\mathrm{s}}_i={\mathrm{c}}_i\mathrm{io}{\mathrm{u}}_i$$其中 $s_i$ 为输出 mask 的置信度得分。

用于 Backbone 特征的 Neck 结构

  Backbone 第一阶段输出的特征 ${\mathbf{C}}_1\in {\mathbb{R}}^{\frac{\mathsf{HW}}{16}\times \mathsf{d}}$ 可能不会包含充分的语义信息。于是引入一个简单的 neck 块来编码语义信息到高分辨率的特征图 ${\mathbf{C}}_1$：
$${\mathbf{C}}_1=\mathrm{GN}(\mathrm{PWConv}({\mathbf{C}}_1))$$其中 $\mathrm{GN}$ 和 $\mathrm{PWConv}$ 分别指组正则化和逐点卷积。

结果

五、与 SOTA 的比较

六、消融实验与分析

RoIAlign 的输出尺寸

训练的 Epoch

大尺度抖动

实例 mask 头的设计

Bach Size

编码器特征图的层索引

图像特征编码器深度和 box 特征编码器的影响

微调 DETR 的效果

定性结果

七、结论

  本文详细展示了如何采用最小的训练时间和成本，将离线的基于 DETR 的目标检测模型转化为实例分割模型。实验表明很有效。

写在后面

  拖了这么久终于写完这篇博文了。文章思路是借鉴 Parameter-Efficiency 的思想，引入新的结构来微调原有的模型，还是有点东西的。尤其是实验非常充足。缺点也有，Fig1 论文中并未引用；消融实验很多没必要全部分开，可以合并几个。