不得不说，这篇论文和DANet撞车了，而且撞的死死的，用的同样的核心内容，为什么会撞车，那是因为，两个篇文章都套用了同一篇文章的方法，同时想到了一起，你说巧不巧

不同于之前图像级的context的方法，这篇论文提出逐像素的object context，object context由像素P所对应的类别的物体组成。由于测试时不知道标签信息，所以用Self Attention方法通过学习逐像素的相似度图估计objects。在此基础上有进一步提出了Pyramid Object Context和Atrous Spatial Pyramid Object Context来捕获多尺度的上下文。在object context module基础上提出了OCNet，OCNet在Cityscapes和ADE20K数据集上取得了state-of-the-art的结果。

paper: https://arxiv.org/abs/1809.00916
code: https://github.com/PkuRainBow/OCNet

主要贡献：

提出了逐像素的object context，包含了与像素P相同类别的objects的信息。
OCNet在Cityscapes和ADE20K数据集上取得了state-of-the-art的结果

OverView

OCNet以ResNet-101为backbone(后两个block为dilated convolution，dilation rate分别为2和4)，其后是这篇文章提出的object context module去计算逐像素的object context，最后是1×1的卷积输出预测图。object context module是基于Self Attention Mechanism，作者一共提出了3种不同的object context module: base-OC, Pyramid-OC, ASP-OC。

Object Context

这里大致介绍了Object Context module中的变量和基本原理。
X为输入的特征图，P为位置特征图，W为由self-attention得到的逐像素的相似度图，第i行表示所有像素与第i个像素的相关性，C为Object Context module最后得到的逐像素的object context表达。用公式表示为：

$c_{i}=\sum_{j=1}^{N}{w_{i,j}\phi\left ( x_{j} \right )}$

其中W可由以下公式得到：

$w_{i,j}=\Phi \left ( x_{i},x_{j},p_{i},p_{j} \right )$
进一步又可以写成：

$\bar{x}{i} = x{i}+p_{i} \quad w_{i,j}=\Phi \left ( \bar{x}{i},\bar{x}{j} \right )=\frac{exp\left ( f_{query}\left ( \bar{x}{i} \right )^{T} f_{key}\left ( \bar{x}{j} \right )\right )}{\mathbb{C}\left ( \bar{x}{i} \right )}$
其中：

$\mathbb{C}\left ( \bar{x}{i} \right )=\sum_{j=1}^{N}exp\left ( f_{query}\left ( \bar{x}{i} \right )^{T} f_{key}\left ( \bar{x}_{j} \right )\right )$

Object Context Module

这里介绍了3种不同的object context module: base-OC, Pyramid-OC, ASP-OC。每个object context module都含有3个阶段：(1)计算X；(2)计算C；(3)融合。

Base-OC

(1)计算X: 3×3的卷积减少channel从2048到512
(2)计算C: 用self-attention模块计算逐像素的attention map和object context
(3)融合: concatenate C 和 X
进一步用1×1的卷积减少channel维度为512

Pyramid-OC(受PSPNet的启发)

(1)计算X: 3×3的卷积减少channel从2048到512
(2)计算C: 在四个分支中分别用self-attention模块计算逐像素的attention map和object context。第一个分支把全部特征图作为输入，第二个分支把特征图分为2×2的子区域，每个子区域应用共享的transform，第三个和第四个分支把输入分为3×3和6×6的子区域，每个子区域的transform不共享。最后concatenate每个分支的结果并用1×1的卷积增加X的维度与object context的维度相等再进行concatenate
(3)融合: 进一步用1×1的卷积减少channel维度为512

ASP-OC(受DeepLAbV3的ASPP启发)

(1)计算X: 共有5个分支。分别为1×1的卷积，3×3的卷积，dilation rate为12的3×3卷积，dilation rate为24的3×3卷积，dilation rate为36的3×3卷积
(2)计算C: 对每个分支的结果分别用self-attention模块计算逐像素的attention map和object context。实验发现再2，3，4，5分支中使用self-attention模块会有害performance
(3)融合: concatenate C 和 X，进一步用1×1的卷积减少channel维度为512

OCNet: Object Context Network for Scene Parsing (Microsoft Research)论文解析

OverView

Object Context

Object Context Module

Base-OC

Pyramid-OC(受PSPNet的启发)

ASP-OC(受DeepLAbV3的ASPP启发)

Experiments

Influence of the Positional Feature

Influence of the Key/Query transform

Influence of the Self-attention in ASP-OC

Influence of Auxiliary loss

Influence of the OHEM, Ms, Flip, Validation set

Comparison with Baseline

Comparison with State-of-the-art

Visualization of the object context

猜你喜欢