《Token Contrast for Weakly-Supervised Semantic Segmentation》CVPR2023

news2024/9/25 13:17:28

摘要(Abstract)：在弱监督语义分割（WSSS）中，传统方法通常使用类激活映射（CAM）生成伪标签，但受限于卷积神经网络（CNN）的局部结构感知能力，往往难以识别完整的对象区域。尽管最近的研究表明，视觉Transformer（ViT）可以弥补这一缺陷，但作者观察到ViT也带来了过度平滑问题，即最终的patch tokens趋于一致。为了解决这个问题，本文提出了Token Contrast（ToCo）方法，通过探索ViT在WSSS中的优势。首先，作者设计了一个Patch Token Contrast（PTC）模块，通过使用来自中间层的伪token关系来监督最终的patch tokens，使它们能够对齐语义区域，从而生成更准确的CAM。其次，为了进一步区分CAM中的低置信度区域，作者提出了一个Class Token Contrast（CTC）模块，该模块受到ViT中类token能够捕获高级语义的启发，通过对比它们的类token来促进不确定局部区域与全局对象之间的表示一致性。在PASCAL VOC和MS COCO数据集上的实验表明，所提出的ToCo方法可以显著超越其他单阶段竞争对手，并与最先进的多阶段方法相媲美。

拟解决的问题

WSSS中使用图像级标签时，CAM通常只能识别最具区分性的语义区域，导致最终的语义分割性能严重下降。
CNN的局部特征感知限制了CAM的完整性。
ViT虽然能够建模全局特征交互，但存在过度平滑问题，导致不同patch tokens的表示趋于一致。

创新之处

提出了Patch Token Contrast（PTC）模块，利用中间层的知识来监督最终的patch tokens，解决过度平滑问题。
设计了Class Token Contrast（CTC）模块，通过对比局部和全局图像的类token，促进局部与全局对象的表示一致性。
将ToCo方法集成到单阶段WSSS框架中，无需对ViT架构进行修改，即可解决过度平滑问题。

效果对比：

方法论

前置知识

类激活映射（CAM）

CAM被提议在分类网络预测图像时识别激活区域。由于其功效和简单性，CAM 已被广泛用于为 WSSS 生成初始伪标签。具体来说，给定图像，其特征图 F 使用分类网络 (CNN 或 ViT) 提取，CAM 是通过在分类层中使用权重 W 对特征图进行加权和求和来计算的，其中 c 是语义类的数量。然后将relu函数和最大归一化应用于消除负激活，并将CAM缩放到[0,1]。因此，类 c 的 CAM 计算如下：

符号定义：

公式的工作流程：

逐通道加权：对于特征图 𝐹F 的每个通道，将其像素值 𝐹:,𝑖 与对应的权重 𝑊𝑐,𝑖 相乘。这是逐元素的乘法操作。
求和：将加权后的所有通道的像素值求和，得到一个二维的激活图，其尺寸与 𝐹F 的空间维度相同，即 ℎ×𝑤。
应用ReLU激活函数：通过ReLU函数处理求和后的结果，将所有负值置为0，这有助于突出显示正的激活区域。

通常，会设置一个背景阈值来区分前景和背景区域，从而得到最终的分割结果。

过渡平滑

在 Vision Transformer 中，over-smoothing 是一个挑战，指的是在多个 Transformer encoder 层之后，不同 tokens 的特征表示趋于一致，导致它们之间的差异性减少。这种现象的原因可能包括：

自注意力机制: MHSA 作为一种低通滤波器，倾向于平滑输入特征，减少高频（细节）信息。
多头注意力的堆叠: 连续的 MHSA 层相当于多次执行空间平滑操作，进一步加剧了特征的同质化。
Patch Size: 使用较大的 patch size 可以减少 over-smoothing，但这会降低模型对局部细节的敏感性。
模型深度: 较深的 Transformer 模型可能会更加显著地表现出 over-smoothing 现象。

为了解决 over-smoothing 问题，研究人员提出了多种方法，例如：

调整 Transformer 架构: 例如，通过引入新的注意力模式或修改 MHSA 来减少平滑效果。
使用残差连接: 在 Transformer 层中添加残差连接可以帮助保留更多的局部特征。
深度监督: 在多个阶段对模型的中间表示进行监督，以鼓励学习更多样化的特征。
Patch Diversity: 通过增加 patch 之间的多样性来减少特征的同质化。

论文方法

ToCo方法利用Vision Transformer（ViT）作为主干网络，并在其中集成了两个关键模块：Patch Token Contrast（PTC）和Class Token Contrast（CTC）。整体框架的目标是生成高质量的伪标签，以用于训练语义分割模型。

Patch Token Contrast（PTC）模块

PTC模块的目的是解决ViT中的过度平滑问题。它通过以下步骤实现：

中间层特征利用：选择ViT中间层的输出作为辅助特征，记为 $F^{m}\in R^{n\times d}$ ，其中 𝑛 是token数量，𝑑 是特征维度。
辅助CAM生成：在辅助特征上添加辅助分类头，通过全局最大池化（GMP）和全连接层 $\theta ^{m}$ 计算辅助分类损失 $L_{cls}^{m}$ ，并生成辅助：

伪token标签生成：使用两个背景阈值 $\beta _{l}$ 和 $\beta _{h}$ 将 $M^{m}$ 分割为伪token标签 $Y^{m}$ 。
Patch Token Contrast Loss（Lptc）：

其中，CosSim(⋅,⋅)计算两个向量的余弦相似度， $N^{+}$ 和 $N^{-}$ 分别是正样本对和负样本对的数量。

Class Token Contrast（CTC）模块

CTC模块旨在区分CAM中的不确定区域，通过以下步骤实现：

局部图像裁剪：从不确定区域随机裁剪局部图像。
类token表示对比：将全局类token和局部图像的类token通过投影头 $P_{g}$ 和 $P_{l}$ 投影，然后使用InfoNCE损失来最小化（最大化）它们之间的表示差异。
Class Token Contrast Loss（Lctc）：