论文笔记：Few-Shot Segmentation Without Meta-Learning : A Good Transductive Inference Is All You Need

好久好久没有记录笔记了~感觉还是分享出来的印象更深刻一些 ~让自己多思考一点点

摘要：
inference的方式对fsl的分割任务性能有着巨大的影响，而这一点往往被其他论文忽视，转而偏向元学习的范式。
文章提出了transductive 的inference方式，即：对每个query image，统计其unlabeled 像素的信息，通过优化包含三个互补项的新损失

1. intro

目前常见的FSL论文都是基于元学习的范式，这有两个问题：

1. episodic 的训练方式，本身隐含的假设了test task的结构与meta-training阶段的train task结构相似
2. base类和novel类往往都是从同一个数据集中采样得到

而在实际场景中，这两个假设可能会限制few shot分割方法的适用性。而且，在最近的一些分类工作上，现有的元学习方法在cross-domain场景中的表现并没有什么竞争力。这让作者怀疑已经成了fsl普遍选择的meta-learning系列的效果。

贡献：

• 放弃元学习，重新考虑最简单的方法：在基类提特征时使用简单交叉熵监督（那元学习是什么监督？）
• 提出transductive 的推理方式，它可以比现有方法更好的利用support集的信息。

1. 提出了新的transductive inference方法，RePRI（Region Proportion Regularized Inference）。
   RePRI优化由以下三项组成的loss：
   1. support set中有标签像素的标准交叉熵loss
   2. test image中query image的后验熵？
   3. 基于test image上预测的前景像素点比例的 全局KL散度
   RePRI可以在任何训练好的backbone最顶层使用，并使用和标准的归纳式（inductive）方法所使用的完全相同的信息。
2. 虽然文章在训练基类时仅仅使用了交叉熵，而不是复杂的元学习策略，但RePRI仍然得到了超出sota 5%的成绩。
3. 还引入了最近很火的关于图像特征分布的调整trick，加上这个才达到了最佳
4. 证明在query 上精确的区域分布信息可以很大改善结果。两个数据集的平均收益为13%。尽管假设这类信息可获得可能是不切实际的，但作者发现即使是不精确的估计也可带来巨大改善。

3. 方法

3.2 base training

episodic training中的inductive bias ：关于基类的使用，目前占主导地位的都是基于元学习的方法。它将基类训练集划分为一个个train episode。《A theoreti-cal analysis of the number of shots in few-shot learning》正式证明：原型网络中，train episode中的 K (shots) 表示一个learning bias？，而且当K_train != K_test 时，测试的性能会迅速饱和（待看）。

standard training ： 在实践中，test task 的格式很有可能是未知的。因此需要尽可能减少assumption(花样怼meta-learning)。因此作者在整个base集上用普通交叉熵训，而不求助于episodic training。

3.3 inference

目标： Φ是一个将前/背景分类的2分类器，θ是Φ的参数，整体loss如下：

其中两个λ是平衡两个loss的非负超参，其中的三个loss又分别定义如下：

就是下采样后的标签y_k 与soft pred 之间的交叉熵。如果仅有这一项无疑会过拟合，尤其在这种简单的2分类上

H表示 query image 上 pred 的熵，即query image 上每个像素分类的score的熵，这一项是为了让模型在预测时更加自信（毕竟上一项是soft预测）。直观上的感觉，它将线性分类器的决策边界推向了query上提取的特征空间的低密度区（说人话就是让score向0和1靠拢）。但是尽管这一项的作用很重要，可如果仅直接将它加在CE loss上并没什么卵用。

最后一个loss是KL散度。其中π代表模型预测的背景点比前景点的比例。该参数的设置将在后面讨论。所以当预测出的b/f比例与π不同时，该项可以防止模型陷入前两个loss中的过拟合。

分类器选择
分类器的参数θ由权重w和偏置b构成。然后某一点是前景点的概率为：$$s=sigmoid\left(\tau \left[\cos \left(z,w\right)-b\right]\right)$$
其中：z是从support 和 query上提出的特征；τ是温度超参(论文中设为20)
w第一次迭代的初始化设置为support中所有图片中feature map上前景点像素的占比。
b第一次迭代的初始化设置为query上的soft pred。
随后以梯度下降进行优化

B/F比例因子π的联合估计
无额外信息，利用模型在query image上标签边缘分布，从而在训练分类器时共同学习π。因此，模型的inference可以看作是θ和π的共同训练。同时KL散度项 作为自正则化，防止模型的边缘分布产生偏差。 每次更新pi时：
$$\pi =\stackrel{\wedge }{p_Q}$$
其中p_Q 是Query上提出的feature map，p_Q hat 则是整个map上的平均值。
（也就是说每次用query上的前景点比例来更新pi，这样就利用了无标签的query数据信息，体现了transductive思想）
不过作者经验发现，pi更新的也不需要很频繁，一般初始化为第一次迭代的得到的p_Q hat，然后在中间再找一次迭代出来的p_Q hat更新一次pi。只更新一次即可

Oracle results：
当然了，这个pi估计的不可能很准，作为方法的上限，如果用统计出来的前景点比例来设置这个pi(并不让它更新)，可以超sota 10个点以上。所以说加个正则化项的未来空间还有很大~

• 首先，oracle result提升10+个点的成绩证明存在着一个简单的线性分类器，它可以远远超过现有的sota 元学习方法。而该分类器仅仅建立在简单的交叉熵loss放在backbone顶层之上。
• 其次还表明，如果可以拥有目标的某些精确信息(如前背景之比)，那这一项就可以用来当作一个强大的正则化项（strong regularizer）

所以或许可以更关注w和b的优化
而且实验结果发现pi在一个挺大的范围内都可以超过sota，具有一定鲁棒性

4.2 Domain shift

​ 引入了一个更为现实的、cross-domain的设置：coco --> voc。这一setting是对更加使用迈出的重要一步，因为cross-domain评估了训练和测试之间域差异所带来的影响。而数据集中非常微小的改变往往也会造成域迁移。

比如coco中平均每张图片有3.5个类别的7.7的目标，而voc是2个类别的3个目标。

但从实验结果看，domain shift的效果并没有多突出~
另外shot mismatch情景下的效果似乎不错