See More, Know More: Unsupervised Video Object Segmentation with Co-Attention Siamese Networks论文解读
这是我看的第一篇无监督视频目标分割的方法（UVOS），是一篇CVPR2019，之前一直看的是半监督VOS，因为思路卡壳，在无监督VOS方法中寻求一下灵感。相较于半监督已经开始在保持精度的情况重视推理速度，无监督还是看重精度，不过毕竟UVOS没有给要分割哪一个目标。
官方代码
idea
作者提出一种co-attention，基于一个视频序列全局角度，来提升UVOS的精度。（确实领先目前的很多模型，davis官网的数据）。以往的一些方法，有通过显著性检测得到所要分割的目标，或者通过有限帧之间计算出的光流信息。COSNet则从整个视频序列中考虑哪个目标是需要分割的。在测试阶段，COSNet会综合所有前面的帧得到的信息，推理出当前帧中哪个目标是显著的同时还是经常出现的。Co-attention模块挖掘了视频帧之间丰富的上下文信息。基于co-attention，作者提出了COSNet（co attention Siamese）来从一个全局视角建模UVOS 。现在可能读者还是不能理解这个全局视角是什么，在method部分会解释。
main contribution
- COSNet采用的训练方式是考虑一个pair，包含相同视频中的任意两帧，所以说极大的增加了数据量，不需要考虑时序关系，依次送入数据，而是可以打乱数据，随机组合。
- 显示建模帧和帧的联系，不依赖光流
- 统一的，端到端、可训练的高效网络
Method
这个section，将分为两个部分，一个是training stage的网络是如何工作的。另一部分是模型在test stage的行为。
training stage
overview of training model
两个帧 F a , F b F_a, F_b Fa,Fb经过backbone得到两个特征 V a , V b V_a, V_b Va,Vb，这两个特征经过Co-attention模块，得到两个新的特征 X a , X b X_a, X_b Xa,Xb，新的特征带有两帧的联系性，这两个特征用于计算loss。从结构框图中，我们可以看出，关键的地方就是在于Co-attention模块。
co-attention
作者提出三种co-attention 变体（variants） 前文提到的 V a , V b V_a, V_b Va,Vb默认被reshap为 R C × H W R^{C \times HW} RC×HW
Vanilla co-attention
记仿射矩阵S，
S = V b T W V a ∈ R W H × W H S = V_b^T W V_a \in R^{WH \times WH} S=VbTWVa∈RWH×WH
W ∈ R C × C W \in R^{C \times C} W∈RC×C是需要学习的权重矩阵，S的每一个元素代表了两个特征中的两列的相似程度（向量乘积是一个标量）。把W对角化：
W = P − 1 D P W = P^{-1}D P W=P−1DP
P是可逆矩阵，S可以写成
S = V b T P − 1 D P V a S = V_b^TP^{-1}DPV_a S=VbTP−1DPVa
Symmetric co-attention (对称）
如果W是一个对称矩阵，那么W一定可以正定对角化，
S = V b T P T D P V a S = V_b^TP^TDPV_a S=VbTPTDPVa
S = ( P V b ) T D P V a S = (PV_b)^TDPV_a S=(PVb)TDPVa$
P是正定矩阵，先将两个特征投影到正交空间中，然后在计算相似距离，这样子可以消除通道之间的联系，使得特征不是冗余的。
Channel-wise co-attention
如果P是一个单位矩阵I，那么D可以被分解为两个对角矩阵。
S = V b T I − 1 D I V a = ( D a V b ) T D b V a S = V_b^T I^{-1}DIV_a = (D_a V_b)^T D_b V_a S=VbTI−1DIVa=(DaVb)TDbVa
其中 D = D a T D b D = D_a^T D_b D=DaTDb,D_a,D_b$都是对角矩阵。那么一个对角矩阵和一个矩阵相乘，得到的结果其实是对角矩阵对角线的值乘以对应的列。可以视作增强了某一个通道。和SENet有异曲同工之效果。也是减小了冗余度。
介绍完获得S的三种方式，接下来就介绍作者的co-attention.
得到S，对应第二行中间的部分，之后就分成两条路。左边得到 S c S^c Sc,往右边走得到 S r S^r Sr。这两个S分别反映了两个特征图Va，Vb之间的联系。想想它们的计算方式。接下来计算 Z a , Z b Z_a,Z_b Za,Zb
Z a = V b S c Z_a = V_b S^c Za=VbSc
Z b = V a S r Z_b = V_aS^r Zb=VaSr
Gated co-attention
作者引入Gated（门限），给学到的Z用同样大小的map reweights，算是空间注意力吧。
之后concat 从backbone得到的特征X
得到的两个重构的X，这个X是带有帧与帧之间的联系这个信息的， 送到各自的seg Head中。
整个训练方式如上图：
- 随机从一个视频中选出两帧，经过backbone，经过co-attention,最后concat上backbone的特征，送到一个分割模块中，得到的预测结果用于计算损失函数。
- 作者提到使用在显著性数据集上预训练一个DeeplabV3，在deeplabV3后面加一个2通道的1x1的卷积作为输出。
test stage
首先选出N张参考帧集合 F b = { F b 1 . . . , F b n } F_b = \left\{F_{b1}...,F_{bn}\right\} Fb={Fb1...,Fbn}
和当前帧 F a F_a Fa， F a F_a Fa和 F b F_b Fb中的所有参考帧都做成pair，得到一系列的 Z a Z_a Za，然后按照
得到 携 带 所 有 参 考 帧 和 当 前 帧 联 系 的 特 征 Z a 携带所有参考帧和当前帧联系的特征Z_a 携带所有参考帧和当前帧联系的特征Za，然后concat Va,送到分割网络中。
后处理使用了CRF