[論文レビュー] SeMask: Semantically Masked Transformers for Semantic Segmentation

Jitesh Jain, Anu Singh+5 more|arXiv (Cornell University)|Dec 23, 2021

Advanced Neural Network Applications被引用数 31

ひとこと要約

SeMaskは、事前学習済みの階層的ビジョントランスフォーマーにセマンティックコンテキストを注入する意味的事前情報SeMaskブロックを導入し、意味セグメンテーション性能を改善するとともに、ADE20Kで新しい最先端（58.25% mIoU）を達成し、Cityscapesで>3%の利得を得る。

ABSTRACT

Finetuning a pretrained backbone in the encoder part of an image transformer network has been the traditional approach for the semantic segmentation task. However, such an approach leaves out the semantic context that an image provides during the encoding stage. This paper argues that incorporating semantic information of the image into pretrained hierarchical transformer-based backbones while finetuning improves the performance considerably. To achieve this, we propose SeMask, a simple and effective framework that incorporates semantic information into the encoder with the help of a semantic attention operation. In addition, we use a lightweight semantic decoder during training to provide supervision to the intermediate semantic prior maps at every stage. Our experiments demonstrate that incorporating semantic priors enhances the performance of the established hierarchical encoders with a slight increase in the number of FLOPs. We provide empirical proof by integrating SeMask into Swin Transformer and Mix Transformer backbones as our encoder paired with different decoders. Our framework achieves a new state-of-the-art of 58.25% mIoU on the ADE20K dataset and improvements of over 3% in the mIoU metric on the Cityscapes dataset. The code and checkpoints are publicly available at https://github.com/Picsart-AI-Research/SeMask-Segmentation .

研究の動機と目的

• セマンティックセグメンテーションのために事前学習済みのトランスフォーマーエンコーダをファインチューニングする動機づけとして、エンコーディング時に画像の意味情報コンテキストを組み込む。

提案手法

• 階層的バックボーン（Swin、Mix Transformer）内の各Transformer Layerの後にSemantic Layerを挿入し、意味的事前情報を生成して意味的にマスキングされた特徴を作る。
• 軽量な意味的デコーダを用いて段階ごとの意味的事前情報を集約し、ピクセルごとのクロスエントロピーで監視する。
• 意味的にマスクされたエンコーダ特徴をSemantic-FPNデコーダと組み合わせて最終的なピクセル単位の予測を行う。
• 主デコーダのピクセルごとのクロスエントロピーによるメイン損失と、意味的事前情報マップに対する二次損失の二重損失で訓練する。
• SeMaskブロック内の学習可能なスカラー lambda を用いて特徴更新を安定化させる。

実験結果

リサーチクエスチョン

• RQ1 事前学習済みトランスフォーマーエンコーダに意味的事前情報を注入するだけで、大きなアーキテクチャ変更を伴わずに意味セグメンテーション性能を向上させられるか。
• RQ2 SeMaskは異なる階層バックボーン（Swin、Mix Transformer）とデコーダとどのように相互作用して精度に影響を与えるか。
• RQ3 複数のエンコーダ段階での意味監督がセグメンテーション品質に与える影響は何か。

主な発見

• SeMask-L SwinバックボーンとMask2Former MSFaPNデコーダ（640×640訓練）でADE20Kにおいて最先端の58.25% mIoUを達成。
• SwinおよびMix Transformerバックボーン全体で、強力なベースラインと比較してCityscapesで3%以上のmIoUの利得。
• SeMaskを高度なデコーダと組み合わせた場合、ADE20Kで単一スケールおよびマルチスケールの利得を示す（それぞれ57.00%および58.25%）。
• Swin-T, Swin-S, Swin-B, Swin-LのバリアントでもSeMaskは一貫して性能を向上させ、Mix Transformerバックボーンでも有効であることを示す。
• SeMaskアプローチはバックボーンに依存しないことを示しており、複数のエンコーダ段階での軽量な意味監督の恩恵を受ける。