何恺明团队新作：图像分割精细度空前，边缘自带抗锯齿

　　鱼羊 乾明 发自 凹非寺 
　　量子位 报道 公众号 QbitAI

　　又是何恺明超越何恺明。

　　其团队最新论文一出，图像分割又往前一大步：

　　消耗的资源变得更少，算力仅需 Mask R-CNN 的 2.6%。

　　不仅能实现准确的分割，甚至连张开的五指都能精准抠出：

　　秀长腿的长颈鹿，分割后腿也能保持修长的模样了：

右为新方法

　　如此效果，已然超越了默认 mask head 的 Mask R-CNN。

　　这是一种名为PointRend的新方法，“实现了前所未有的输出分辨率”。

　　也可以在现有模型的基础上构建，灵活应用于实例分割、语义分割任务。

　　其中诀窍在于：将图像分割当做一个渲染问题。

　　如此研究，同样也引起了业内人士的围观。

　　有人盛赞称，这是一项“伟大的工作”，也有人惊叹于研究思路：“从经典方法中获取知识，牛。”

　　一、PointRend：将图像分割视作渲染问题

　　渲染是将 3D 模型显示为 2D 平面上的规则像素网格。

　　尽管输出表现形式是规则网格，但其底层物理实体是连续的，并且其物理占用率等属性，可以通过物理和几何推理（如射线追踪），在图像平面上的任何实值点进行查询。

　　图像分割，同样可以视作底层连续实体的占用图，然后从中输出预测标签的矩形网格。

　　实体被编码在网络特征图中，可以通过插值在任意点进行访问。

　　PointRend 就是基于这种类比提出的，可以应用于实例分割和语义分割。　　

PointRend 原理

　　以实例分割举例，首先，使用轻量级的分割头，对每个检测到的对象（红框）进行粗略的 mask 预测。

　　接下来，选择一组点（红色点），用小规模的多层感知器（MLP）为每个点进行独立预测。

　　对这样的细分算法进行迭代，以从粗到细的方式计算 mask。

　　具体而言，PointRend 分为三个主要组成部分。

　　用于推理和训练的点选择（Point Selection）

　　PointRend 的核心思想是，在图像平面中自适应地选择预测分割标签的点。

　　类似于光线追踪中的抗锯齿问题，这些点应该更密集地分布于高频区域（例如对象边界）附近。

　　推理部分，如上文所说，是一个以从粗到细的方式迭代“渲染”输出 mask 的过程。在每次迭代中，PointRend 使用双线性插值，对其先前预测的输出结果进行上采样。

　　然后再次密度较高的网格上选择N个最不确定的点（如上图黑点），举个例子，对于二进制 mask 而言，就是概率最接近 0.5 的那些点。

　　计算每一个点的逐点（point-wise）特征表示， 预测它们的标签，以恢复精细网格上的细节。

　　直到输出结果达到预设的分辨率，迭代结束。

　　训练部分，还需要选择部分点，在其上构建逐点特征，用来训练点头（Point Head）。

　　这里依然采用推理部分介绍的细分策略，只是引入了顺序步骤。并且，在训练中不进行迭代，而是使用基于随机抽样的非迭代策略。

　　为了提高性能，每个区域仅对少量点进行采样，并采取轻度偏差的采样策略，提高系统在训练期间的效率。

　　逐点 (point-wise) 表示

　　PointRend 通过组合低层特征 (fine-grained features) 和高层特征 (coarse prediction)，在选定的点上构造逐点特征。

　　在细粒度特征（fine-grained features）方面，为了让 PointRend 呈现出精细的分割细节，研究人员为 CNN 特征图中的每个采样点提取了特征向量。

　　不过，细粒度特征虽然可以解析细节，但也存在两方面的不足：

1. 不包含特定区域信息，对于实例分割任务，就可能在同一点上预测出不同的标签。
2. 用于细粒度特征的特征映射，可能仅包含相对较低级别的信息。

　　这就需要粗略分割预测 (coarse prediction) 来进行补充，提供更多全局背景。

　　这样的粗略预测类似于现有架构的输出。以实例分割为例，coarse prediction 可以是 Mask R-CNN 中 7×7 轻量级 mask head 的输出。

　　点头 (Point Head)

　　对于每个选定点的逐点特征表示，PointRend 使用简单的多层感知器进行逐点分割预测。

　　多层感知器在所有点（所有区域）上共享权重。

　　并且，由于多层感知器会针对每个点预测分割标签，可以通过特定任务的分割损失进行训练。

　　二、更少的消耗，更好的结果

　　何恺明等人在研究中给出了结果证明，无论是在定性和定量维度上，都取得了显著的效果。

　　与此同时，这一思路也进一步降低了消耗的资源，在当前人工智能算法模型在端侧部署的大趋势下，意义更大。

　　此外，这一方法不仅仅能够应用在实例分割中，在语义分割中也取得了显著的效果。

　　首先，他们将 PointRend 与 Mask R-CNN 默认的4×conv mask head 进行了对比，使用的数据集是 COCO 和 Cityscapes。

　　结果显示，在相同的分辨率上，PointRend 的预测效果要明显强过默认的4×conv mask head。

　　从定性效果上来看，在 Mask R-CNN 使用 PointRend（右图）在预测 Mask 时更加精细。

　　此外，输出图像的分辨率更高的情况下（细分推理），PointRend 也更强大。一方面体现在所需的资源上。

　　在输出 224x224 分辨率图像下，PointRend 只需 0.9B FLOPs，而4×conv 需要 34B，相比之下优化了 30 多倍。

　　另一方面体现在效果上，从下图来看，分辨率更高的情况下，AP 出现了饱和的情况。

　　但直观效果随着分辨率提高变得更好，使用 PointRend 还能够抗锯齿。

　　在语义分割方面，他们的研究结果表明，使用 PointRend 能够进一步提升 DeeplabV3 和 SemanticFPN 的效果。在实验对比中，采用的是 Cityscapes 语义分割集。

　　首先是在 DeeplabV3 上的效果，基于 PointRend 的 DeeplabV3 的语义分割效果明显更好。

　　在推理过程中对 res4 阶段进行扩展，可以产生更大、更准确的预测，但是需要更高的计算和内存开销，而且结果仍然不如使用 PointRend。直观来看，PointRend 也可以恢复更小的对象和细节。

　　此外，通过自适应采样点， PointRend 只预测 32k 点，就可以达到 1024×2048 分辨率(即 2M 点)。

　　在 SemanticFPN 上，在8×和4×输出步长变体上，用了 PointRend 之后，效果也有明显提升。

　　三、又双叒叕来自何恺明团队

　　PointRend 是何恺明团队的最新研究成果，一共有四名作者，全部来自 Facebook AI 研究院。

　　第一作者是 Alexander Kirillov，毕业于海德堡大学，是 FAIR 致力于计算机视觉研究的科学家。

　　除了何恺明之外，作者中还有一位华人学者，名为吴育昕。他在 2015 年从清华大学计算机系毕业，之后在 CMU 获得硕士学位，现在是 Facebook 研究工程师。

　　最后一位作者是 Ross Girshick，博士毕业于芝加哥大学，也是 FAIR 致力于计算机视觉研究的科学家。

　　对于何恺明来说，PointRend 是他在图像分割领域的最新探索。

　　这篇论文中被改进的 Mask R-CNN，就是出自他手，自 2017 年 3 月提出以来，到现在已经成为图像分割的主流算法。这一成果也在 2017 年的 ICCV 上获得了最佳论文奖。

　　在此之前，他在计算机视觉领域的研究成果也获得了 CVPR 2009 和 CVPR2016 的最佳论文奖，可以说是传奇般的存在。

　　PointRend 等后续研究成果出现，也进一步说明了他并没有停下来，而是在不断寻找新的方法来提升模型的效果。

　　大神之所以是大神，这也是其中的原因之一吧。

　　你说呢？