一篇CVPR2022上的论文，用于弱监督分割

论文标题：

Self-supervised Image-specific Prototype Exploration for Weakly Supervised Semantic Segmentation

作者信息：

代码地址：

https://github.com/chenqi1126/SIPE

论文链接：

https://openaccess.thecvf.com/content/CVPR2022/papers/Chen_Self-Supervised_Image-Specific_Prototype_Exploration_for_Weakly_Supervised_Semantic_Segmentation_CVPR_2022_paper.pdf

Abstract

现有的WSSS方法通常依赖于类激活映射（CAM），它度量图像像素和分类器权重之间的相关性。然而，分类器只关注鉴别区域，而忽略了每幅图像中的其他有用信息，导致了不完整的定位映射。作者提出了一种自监督的Self-supervised Image-specific Prototype Exploration (SIPE)模型，包括一个Image-specific Prototype Exploration (IPE)模块（获得精细化的IS-CAM） 和 General-Specific Consistency (GSC) 损失函数（度量CAM和IS-CAM的差距）。

1.Introduction

现有的方法： WSSS非常节省标注资源，大多数现有的方法都是利用类激活映射（CAM）[53]技术来提供目标对象的定位线索。这些方法训练一个分类器，并将其学习到的权重视为每个类的一般表示，即类中心（作者给出的自己的一个解释）。然后，利用该类中心与图像像素进行关联，得到定位图。
现有方法的缺点： CAM倾向于专注于一些主要区域（猫的头部），而忽略了其他有用的线索（猫的身体）。（这个缺点经常在很论文中提到）。
作者的motivation： 作者使用 t-SNE可视化相关方法，从训练好的分类网络中提取的前景的像素级特征可视化（Figure1），作者发现类中心(CAM)总是给离得近得像素（对应于一些主要区域）的高激活，而忽略了远处的像素。不平衡的激活导致了不完整的定位图。作者提出通过特征的中心（Figure1粉色，通过IPE模块提取原型获得）来辅助进行激活。
作者的方法： 作者提出了SIPE模型，包括提出了图像原型探索模型（IPE），获得图像的"原型"。IPE模块包括两步，第一步，利用像素间语义来探索空间结构线索，定位每个类的鲁棒种子区域。第二步，给定种子区域，提取特定于图像的原型，然后通过原型相关性生成的IS-CAM。另外，作者提出了一个通用特定一致性（GSC）损失来有效地规范原始的CAM和ISCAM，增强特征表示（监督refine CAM）。

2.Related Work

现有的方法大多采用类激活映射（CAM）来生成定位映射，然后将其细化为伪标签，以训练一个完全监督的分割模型。目前又这样几种策略来提高CAM的质量(具体不详细写了)：

• Erasure and accumulation.
• Cross-image mining.
• Background Modeling.
• Self-supervised Learning

作者的这个方法也属于Self-supervised Learning，引入特定图像的原型来发现完整的区域，并构建自监督方式来增强特征表示（CAM）。

3. Approach

整体的方法的思路如下图：

3.1. Class Activation Mapping

常规的CAM的公式如下：

公式（1）Mk表示对第k个特定类别激活获得的CAM，对于背景采用下列公式进行激活：

公式（2）即减去所有的1减去其他类最大的$M_k$，然后乘以一个稀疏，得到对于背景的CAM。
总的激活即concat $M_k$ 和 $M_b$ 即可获得。

3.2. Image-specific Prototype Exploration

IPE模块，主要包括两步：1.获取seeds区域。2.获取原型和更精细的IS-CAM。

Structure-aware Seed Locating：

作者认为尽管CAM比较注重关键的区分区域，但是仍在其余区域也能产生弱激活。作者提出了一种结构化的seeds处理方法，并以cam作为模板来匹配每个像素的最优类别。
具体做法如下图figure3所示：

首先对于任意像素$i$，将其和其他像素$j$计算相关性，这个是计算它们所对应的语义特征的相关性，即从Figure2中获得Semantic features，在对应的每个像素出求余弦相似度。即：

上述公式中的$f^i$和$F_s(j)$在代码里面是一样的，relu是取非负。公式（3）就表示各个像素之间的相似度。作者认为高相关的像素可以突出空间结构。这里的$S$作者称为struction map。
接着作者定义了一种评估方式，类似于 structure similarity，对于每一类，将器CAM和公式计算的$S^i(j)$计算其IOU（可以理解为CAM和这个结构相似性$S^i(j)$的重叠度），即：

那么对一个具体的像素$i$和类别$k$，$C_k^i$它们结构相似性。Figure3就想表达这个含义（前景像素（绿星）与猫的身体相关，与猫类的CAM达到最高的IoU，背景像素（红星）与前景像素没有关联，因此它更有可能属于背景类）
对于每个像素而言，根据公式(4)计算的最大的miou来确定该像素的类别，即：

这里的$R$作者称为seeds region（效果见figure 2）

Background-aware Prototype Modeling

作者改变了原resnet骨干网络的特征提取方式，用了类似于FPN（金字塔池化）那种多层次的方式，如下图：

这样提取到的多层次的特征记为$F_h$，作者认为图像的原型就是表示为在种子区域上的多层次特征的中心。用公式表示如下：
公式中的双$L$符号表示取真符号。（这个公式描述的是这个意思，但是代码里面用的两者相乘，然后再GAP）。（这里可以这样理解，这个就是一个原型就是按照seeds region所处位置，对特征的加权平均，像是一个关键点（中心点）代码中的格式是：prototypes:[n,21,c,1,1]，c:768），总共输出有$k$个类别原型和一个背景原型。）
接下来作者求取精细化的IS-CAM，利用公式：

公式（7）是计算特征图在原型上的余弦相似度（从figure1来看，可以理解为特征图和图像中心点(原型)的相似程度），作者将其作为更加精细化的CAM（IS-CAM)。

简单总结一下作者获取IS-CAM的过程： backbone特征---->structure map(两两像素的余弦相似度)----->seeds region（计算和CAM的miou，按照最大的miou给像素分配类别)---->图像原型Prototype（分层特征在seeds region上取加权平均）—>IS-CAM(Prototype和分层特征的余弦相似度。

3.3 Self-supervised Learning with GSC

作者自监督过程中的损失函数，主要有两个：

一个是CAM获得过程中的分类损失，如下公式：

另外一个损失是评估IS-CAM和CAM差距损失，使用L1损失并进行norm归一化，作者称为General-Specific Consistency (GSC)损失，计算方式如下：

4. Experiments

在各种算法面前取得了sota的结果：