Video Object Segmentation using Space-Time Memory Networks论文理解
文章目录
- 创新点
- 方法
- Memory Network
- Space-Time Memory Networks
- Space-time Memory Read
- Decoder
- 训练
- Two-stage Training
- 推理
- 实验结果
- 总结
创新点
计算视频的多帧的每个像素的关于query图像的每个像素的空间注意力，以此来决定像素是否属于前景物体不用限制帧的数量，还能简单的将他们加到memory中，探索丰富的参考信息
这个参考信息来自哪呢？是之前的memory吗？
attention中的Q K就是对输入的卷积，V就是输入本身
方法
先用编码器编码前面的带有mask的帧，
Memory Network
输入：
前面的带有mask的帧
输出：
记忆的信息嵌入到key(输入)和value(输出)特征向量
作用
将要被分割的帧作为query，memory随着新预测的mask动态更新，这对于解决外观更改，遮挡很有好处，每个在query中的帧都需要访问memory帧中不同时空位置的信息，所以做成了4D。
做预测的时候使用时空memory 读取操作来定位并阅读4Dmemory中的相关信息，算是一个时空注意力算法，对每个query像素计算when and where来决定像素是否属于前景物体。
4D能解决吗？跟时空有什么关系呢？时间通道、位置通道？
为什么能计算看下面STM
Space-Time Memory Networks
关注一下如何做到时间上的attention，之前non-local在空间和通道上做的attention
首先，memory和query帧都会经过编码器，来生成key和value，key的作用是“寻址”，即找对应的value，计算query和memory帧的key特征之间的相似度，就能找到决定when and where恢复的相关memory value来自哪里。
key、value功能：
- key用来学习视觉的语义，来匹配外观的多样性
- value用来储存生成mask估计的细节。
query和memory的value的功能：
- query的value储存用来解码mask的详细的外表信息
- memory的value用来编码视觉的语义，还有每个特征属于前景or背景的mask信息
然后将key和value都放入读取模块，这样，两个key特征在时空间上稠密匹配，得到相关的匹配分数，然后这个匹配分数用来寻址memory帧中的value特征图，并且和找到的value特征下相结合，得到读取模块的输出，在进入解码器，就能得到最终的mask
匹配应该就是计算的distance，根据得分判断是不是都来自同个物体，然后分数再对value起作用
所有的memory帧都会独立嵌入到key和value中，然后沿着时间差的维度堆叠到一起， T T T表示帧数
这样会有更多的参考信息，确实好一些
Space-time Memory Read
通过执行non-local操作来比较query和memory的key特征的相似性，然后让memory的value与soft的相似性加权求和，求完之后再和query的value结合
感觉跟non-local就是一样的，就是多了个时间维度，也就是始终的 T T T
相似性就是一个query的key对应 T T T个memory的key，这样的话就是多对应的attention，每个memory的帧都计算了，就是感知相似度，对，然后softmax就可以取value中对应的特征，作者的说法value中是视觉的语义编码，决定特征的前后景，如此说，就是一些能判定mask的信息，而这些又经过softmax结合被挑选，和query的value中的外表信息结合的话，就能确定哪些外表可以被分为前景
y i = [ v i Q , 1 Z ∑ ∀ j f ( k i Q , k j M ) v j M ] y_i = [v^Q_i,\frac{1}{Z}\sum_{\forall j}f(k^Q_i,k^M_j)v^M_j] yi=[viQ,Z1∀j∑f(kiQ,kjM)vjM]
Z = ∑ ∀ j f ( k i Q , k j M ) Z = \sum_{\forall j}f(k^Q_i,k^M_j) Z=∀j∑f(kiQ,kjM)
f ( k i Q , k j M ) = e x p ( k i Q × k j M ) f(k^Q_i,k^M_j) = exp(k^Q_i \times k^M_j) f(kiQ,kjM)=exp(kiQ×kjM)
作者也说可以看成是non-local的拓展，但是作者的使用动机不同，non-local是自注意力，而这个是query和memory，不同的特征之间的关联
我没有考虑到使用的对象不同
Decoder
用了自己之前的文章中的微调模块来做Decoder：
通过若干个这样的模块来逐步上采样，残差块的输入一直是query的encoder生成的特征图，不过要调整到相应的大小，另一端的输入是上一个微调模块的输出，最终的mask是通过最后一个卷积层加softmax生成的(就是个分类咯)，过滤器都是 3 × 3 3\times 3 3×3，除了最后一次是2通道，其他的都是256通道，最后生成的mask是输入图片大小的1/4。
训练
用ResNet50做backbone，使用res作为基础特征来计算key和value特征图
Two-stage Training
- 在别的图像数据集上做了同样的预训练
- 相同的数据增强
- 训练的时候取多个帧，还从中切掉了一些，用循环学习的方法能从0个切到25个
循环学习就是同样的数据，每次输入切到一部分帧，重复输入多次吧，应该是这样
推理
每 N N N帧保存一个新的memory帧，N设为5
这样的话也会越存越多吧，最后就变满了，有没有什么方法能砍掉不重要的memory帧？
虽然参考变多了，能一定程度解决误差累积，但是速度会越来越慢
实验结果
D A V I S − 2017 DAVIS-2017 DAVIS−2017
D A V I S − 2016 DAVIS-2016 DAVIS−2016
D A V I S − 2017 + Y V 表 示 在 y o u t u b e v o s 上 做 了 预 训 练 DAVIS-2017\ \ \ +YV表示在youtube vos上做了预训练 DAVIS−2017 +YV表示在youtubevos上做了预训练
效 果 图 ， 这 些 帧 都 是 有 遮 挡 或 是 消 失 又 重 现 的 情 况 效果图，这些帧都是有遮挡或是消失又重现的情况 效果图，这些帧都是有遮挡或是消失又重现的情况
对 比 情 况 对比情况 对比情况
总结
STM是个较理想的模型，比起之前的使用前一帧更好，利用了更多的信息，最重要的还是第一帧的先验，但是通过memory将这个优势放大了，就能更精准