unified perceptual parsing for scene understanding-nhà cái k8

 论文名称：《unified perceptual parsing for scene understanding》

 论文链接：https://arxiv.org/abs/1807.10221

代码链接：https://github.com/csailvision/unifiedparsing 

导语

人类对世界的视觉理解是多层次的，可以轻松分类场景，检测其中的物体，乃至识别物体的部分、纹理和材质。在本文中，旷视科技提出一种称之为统一感知解析（unified perceptual parsing/upp）的新任务，要求机器视觉系统从一张图像中识别出尽可能多的视觉概念。同时，多任务框架 upernet 被提出，训练策略被开发以学习混杂标注（heterogeneous annotations）。旷视科技在 upp 上对 upernet 做了基准测试，结果表明其可有效分割大量的图像概念。这一已训练网络进一步用于发现自然场景中的视觉知识。

背景

人类视觉系统一眼即可从一张图像中提取大量语义信息。人类不仅可以立即解析其中的物体，还能识别细节属性，比如其部分、纹理和材质。如图 1 所示，这是一间起居室，有着很多不同物体，比如一张咖啡桌，一幅画，以及墙面。同时，我们还看到，这是一张四腿咖啡桌，桌面之上有一块桌垫，以及桌子是木质的，沙发表层是针织的。可见，从材质、纹理的视觉感知到物体及其部分的语义感知，我们对这一视觉场景的描述是多层次的。

图 1：针对 upp 训练的神经网络可一次性解析不同感知层次的视觉概念，比如场景、物体、部分、纹理、材质等。

近年来，由于深度神经网络和大型数据集的发展，计算机视觉识别能力取得重大进步，不断逼近甚至超越人类水准。但是，视觉识别任务不同，其研究也各不相同。比如，物体检测和场景识别已达到人类水平，解析和分割的精确度可至像素级；纹理和材质的感知与识别同样有着充分的研究。

设计思想

在人类视觉系统中，上述任务的完成是一步到位的，这就抛给计算机视觉模型一个问题：一个神经网络是否可以同时解决若干个不同的视觉任务。本文把这个问题以一项新任务的形式提出，称之为统一感知解析（unified perceptual parsing/upp），并给出一种全新的学习方法解决它。

upp 有若干个挑战。首先，没有一个涵盖所有层面视觉信息的标注数据集。不同的数据集是针对一项项特定任务而打造的。比如 ade20k 数据集用于场景解析，dtd 数据集用于纹理识别，opensurfaces 数据集用于材质和表面识别。其次，不同感知层面的注解也是混杂的。比如，ade20k 数据集的注解是像素级的，而 dtd 数据集则是图像级的。

为解决上述挑战，本文提出一个新框架，整合不同数据集之间的差异性，并学习联合检测不同视觉概念。一方面，本文从每次迭代中随机采样一个数据源，并只更新相关层，以从数据源中推理概念。这样的设计会规避不稳定行为，比如某一特定概念注解的梯度带有噪音。

另一方面，该框架借助单一网络特征的分层属性，即，对于高层语义概念比如场景分类，分类器只基于带有较高级语义信息的特征图而构建；对于较低级语义信息，比如物体和材质分割，分类器只基于所有阶段的或者带有低级语义信息的特征图而构建。进而，本文提出一种训练方法，可使网络只使用图像级的注解即可预测像素级的纹理标签。

本文贡献可归纳为如下 3 个方面：1）提出一种新解析任务——统一感知解析（upp），它需要系统一次性解析多层次视觉概念；2）提出一种带有层级结构的全新网络——upernet，可学习不同图像数据集中的差异化数据；3）该网络可实现联合推理，并发掘图像之中丰富的视觉知识。

定义 upp

upp 任务是指从一张给定图像中识别出尽可能多的视觉概念，从场景标签，物体，到其部分、纹理和材质，视觉概念是多层次的。该任务依赖于不同训练数据的可用性。由于没有一个现有数据集可满足条件，本文通过整合若干个图像标注源而成一个新数据集——broden+。

--broden+

新数据集构建的基础是 broadly densely labeled dataset（broden），这是一个包含不同视觉概念的混杂数据集。但是由于其设计初衷，broden 并不适用于分割网络的训练。为此本文从 4 个方面做出优化，得到了 broden+ 数据集：

    1-去掉不同数据集的相似概念；

    2-只保留至少出现在 50 张图像以上、在整个数据集中至少包含 50000 像素的物体类别；

    3-手动去掉 opensurfaces 数据集中的下采样标签；

    4-把 ade20k 数据集中 400+ 个场景标签映射到 places 数据集中的 365 个标签。

这样，经过标准化工作而得到的新数据集共包含 57095 张图像，其中 22210 张来自 ade20k，10103 张来自 pascal-context 和 pascal-part，19142 张来自 opensurfaces，5640 张来自dtd，如表 1 所示。图 3 是一些实例。

表 1：broden+ 数据集中每一标签类型的统计信息，其评估指标也已给出。

图 3：broden+ 数据集实例。

--指标

一般来讲，分割任务的衡量指标是 p.a. 和 miou。为了解决 miou 不计数未标注区域的预测的问题，使其更适合部分分割等任务，本文在一些特定任务中使用 miou，但也计数背景区域的预测，这一新指标称为 miou-bg。

具体而言，对于借助 ade20k，pascal-context，opensurfaces 数据集的物体和材质解析任务，使用评估标准 p.a. 和 miou；对于物体部分，则使用 p.a. 和 miou-bg；对于场景和纹理分类，则使用 top-1 精度。

upernet

--背景

当前最优的分割网络主要基于全卷积网络（fcn）。由于缺乏足够的训练样本，分割网络通常初始化自针对图像分类任务的预训练网络。为使语义分割实现高分辨率预测，dilated conv 技术被提出，在缓解下采样副作用的同时，保证了感受野的扩充率；使用这一技术的网络也成为了语义分割任务的标准范式。但是针对本文提出的 upp 任务，这一方法有 2 个缺陷：

    1-最近提出的深度卷积网络虽在图像分类和语义分割任务中大获成功，但层数往往达到数十、数百层；其设计结构如此复杂，以至于在网络早期阶段由于感受野较大和计算复杂度较低的原因，下采样率快速增长。

    2-这种网络只利用了其中最深的特征图。使用高级语义特征分割高级概念（比如物体）是合理的，但是并不适合分割多层次的感知属性，尤其是低级概念（比如纹理、材质）。

有鉴于此，本文提出了多任务新框架 upernet。

--架构

图 4：upernet 架构图。

upernet（unified perceptual parsing network）网络架构如图 4 所示，它基于特征金字塔网络（fpn）。尽管理论上讲，深度卷积网络的感受野足够大，但实际可用的要小很多。为克服这一问题，本文把 pspnet 中的金字塔池化模块（ppm）用于骨干网络的最后一层，在其被馈送至 fpn 自上而下的分支之前。结果实验证明，在带来有效的全局先验表征方面，ppm 和 fpn 架构是高度一致的。

本文使用多个语义层次的特征。由于图像级信息更适合场景分类，scene head 直接被附加到 ppm 模块之后的特征图。object head 和 part head 被附加到与来自 fpn 的所有层相融合的特征图。material head 被附加到 fpn 中带有最高分辨率的特征图。texture 被附加到 resnet 中的 res-2 模块，并在整个网络完成其他任务的训练之后进行优化，这一设计背后的原因有 3 个：

    1-纹理是最低级的感知属性，因此它纯粹基于明显的特征，无需任何高级的信息；

    2-正确预测纹理的核心特征是在训练其他任务时被隐式学习的；

    3-这一分支的感受野需要足够小，因此当一张正常大小的图像输入网络，它可以预测不同区域的不同标签。

实验

本节首先给出了 upernet 在原始语义分割任务和 upp 任务上的量化研究，接着将这一框架用于发掘场景理解背后的视觉常识知识。

--结果

整体架构。为证明 upernet 在语义分割上的有效性，本文给出了不同设置下借助物体标注在 ade20k 数据集上的结果，如表 2 所示。

表 2：ade20k 数据集上该方法（基于resnet-50）与当前最优方法的对比分析。

混杂标注的多任务学习。本文给出了在分离或融合的不同标注集上的训练结果。

表 3：upernet 在 broden+ 数据集上的结果。

量化结果。本文给出了 upernet 的量化结果。如图 5 所示。upernet 可统一结构性视觉知识，同时有效预测层级输出。

图 5：upernet（resnet-50）在验证集上的预测。

--视觉知识

upp 要求模型从一张图像之中识别尽可能多的视觉概念，如果模型成功做到这一点，就可以发现隐藏在现实世界之下的丰富视觉知识，回答诸如“这个杯子的材质是什么”的问题，有助于机器视觉系统更好理解周遭世界。

本节证明，在 broden+ 数据集上训练的 upernet 可发现多层次的结构性知识。研究者以分层的方式定义了若干类关系，如表 4 所示。

表 4：upernet 发掘的视觉知识。

结论

本文定义了名为统一感知解析（upp）的识别任务，从场景、物体、部分、材质到纹理，其试图一次性解析图像的多层次视觉概念。一个多任务网络和处理混杂标注的训练策略被开发和测试。本文进而利用已训练的网络发现场景之中的视觉知识。

参考文献

• peng, c., xiao, t., li, z., jiang, y., zhang, x., jia, k., yu, g., sun, j.: megdet:a large mini-batch object detector. arxiv preprint arxiv:1711.07240 (2017)

• zhao, h., shi, j., qi, x., wang, x., jia, j.: pyramid scene parsing network. in:ieee conf. on computer vision and pattern recognition (cvpr). (2017) 2881–2890

• chen, l.c., papandreou, g., kokkinos, i., murphy, k., yuille, a.l.: deeplab:semantic image segmentation with deep convolutional nets, atrous convolution,and fully connected crfs. arxiv preprint arxiv:1606.00915 (2016)

• kirillov, a., he, k., girshick, r., dollr, p.: mscoco challenge 2017: stuff segmentation,team fair. (2017)

• zhou, b., lapedriza, a., xiao, j., torralba, a., oliva, a.: learning deep features for scene recognition using places database. in: advances in neural information processing systems. (2014) 487-495