单GPU每秒76帧，重叠对象也能完美分割，多模态Transformer用于视频分割效果惊艳

2022 年 3 月 7 日 机器之心

机器之心报道

机器之心编辑部

视频分割效果优于所有现有方法，这篇入选CVPR 2022的论文是用Transformer解决CV任务的又一典范。

基于注意力的深度神经网络（DNN）在NLP和CV等不同领域的各种任务上都表现出了卓越的性能。这些进展使得此类网络（如 Transformer）成为解决多模态问题的有力候选。特别是近一两年，Transformer 模型已经开始在CV任务上大展手脚，从目标识别到检测，效果优于通用的CNN视觉骨干网络。

参考视频对象分割（referring video object segmentation, RVOS）任务涉及到给定视频帧中文本参考对象实例的分割。相比之下，在得到更广泛研究的参考图像分割（referring image segmention, RIS）任务中，对象主要通过它们的外观进行参考。在RVOS中，对象可以通过它们正在执行或参与的动作进行参考。这使得 RVOS比RIS复杂得多，因为参考动作的文本表达通常无法从单个静态帧中推导出来。

此外，与基于图像的 RIS 不同，RVOS 方法可能还需要跨多个帧（即跟踪）来建立参考对象的数据关联，以处理遮挡或运动模糊这类的干扰。

为了解决这些挑战，现有 RVOS 方法往往依赖复杂的 pipeline。在被CVPR 2022接收的一篇论文《End-to-End Referring Video Object Segmentation with Multimodal Transformers》中，来自以色列理工学院的研究者提出了一种简单的、基于Transformer的端到端RVOS方法——Multimodal Tracking Transformer（MTTR ）。

论文地址：https://arxiv.org/pdf/2111.14821.pdf
项目地址：https://github.com/mttr2021/MTTR
Huggingface Spaces Gradio demo：https://huggingface.co/spaces/akhaliq/MTTR

具体地，他们使用MTTR 将任务建模成序列预测问题。给定一个视频和文本查询，该模型在确定文本参考的对象之前为视频中所有对象生成预测序列。并且，他们的方法不需要与文本相关的归纳偏置模块，利用简单的交叉熵损失对齐视频和文本。因此，该方法相比以往简单的多。

研究者提出的pipeline示意图如下所示。首先使用标准的Transformer文本编码器从文本查询中提取语言特征，使用时空编码器从视频帧中提取视觉特征。接着将这些特征传递给多模态 Transformer 以输出几个对象预测序列。然后为了确定哪个预测序列能够最好地对应参考对象，研究者计算了每个序列的文本参考分数。为此，他们还提出了一种时序分割voting方案，使模型在做出决策时专注于最相关的部分。

从实验结果来看，MTTR 在 A2D-Sentences 和 JHMDB-Sentences 数据集上分别实现了+5.7和+5.0的mAP增益，同时每秒能够处理76帧。

研究者还展示了一系列不同对象之间的实际分割效果，如下穿白色T恤和蓝色短裤的冲浪者（淡黄色冲浪板）。

又如嬉戏玩闹的大小猩猩。

网友对这项研究展示的视频对象分割效果赞不绝口。有人表示，即使在重叠的对象上，分割效果也很有效。

方法介绍

任务定义。RVOS 的输入为帧序列

，其中

；文本查询为

，这里t_i是文本中的第i个单词；大小为

的感兴趣帧的子集为

，目标是在每一帧

中分割对象

。

特征提取。该研究首先使用深度时空编码器从序列 V 中的每一帧中提取特征。同时使用基于 Transformer 的文本编码器从文本查询 T 中提取语言特征。然后，将空间-时间和语言特征线性投影到共享维度 D。

实例预测。之后，感兴趣的帧特征被平化（flattened）并与文本嵌入分开连接，产生一组T_I多模态序列，这些序列被并行馈送到 Transformer。在 Transformer 的编码器层中，文本嵌入和每帧的视觉特征交换信息。然后，解码器层对每个输入帧提供N_q对象查询，查询与实体相关的多模态序列，并将其存储在对象查询中。该研究将这些查询（在图 1 和图 2 中由相同的唯一颜色和形状表示）称为属于同一实例序列的查询。这种设计允许自然跟踪视频中的每个对象实例。

输出生成。Transformer 输出的每个实例序列，将会生成一个对应的掩码序列。为了实现这一点，该研究使用了类似 FPN 的空间解码器和动态生成的条件卷积核。最后，该研究使用文本参考评分函数（text-reference score function），该函数基于掩码和文本关联，以确定哪个对象查询序列与 T 中描述的对象具有最强的关联，并将其分割序列作为模型的预测返回。

时间编码器。适合 RVOS 任务的时间编码器应该能够为视频中的每个实例提取视觉特征（例如，形状、大小、位置）和动作语义。相比之下，该研究使用端到端方法，不需要任何额外的掩码细化步骤，并使用单个主干就可完成。最近，研究者提出了 Video Swin Transformer [27] 作为 Swin Transformer 对视频领域的泛化。最初的 Swin 在设计时考虑了密集预测（例如分割）， Video Swin 在动作识别基准上进行了大量测试。

据了解，该研究是第一个使用Video Swin （稍作修改）进行视频分割的。与 I3D 不同，Video Swin 仅包含一个时间下采样层，并且研究者可以轻松修改以输出每帧特征图。因此，Video Swin是处理完整的连续视频帧序列以进行分割的更好选择。

实例分割过程

实例分割过程如图 2 所示。

首先，给定 F_E，即最后一个 Transformer 编码器层输出的更新后的多模态序列，该研究提取每个序列的视频相关部分（即第一个 H × W token）并重塑为集合

。然后，该研究采用时间编码器的前 n − 1 个块的输出

，并使用类似 FPN 的 [21] 空间解码器 G_Seg 将它们与

分层融合。这个过程产生了视频帧的语义丰富、高分辨率的特征图，表示为 F_Seg。

接下来，对于 Transformer 解码器输出的每个实例序列

，该研究使用两层感知器 G_kernel 生成相应的条件分割核序列。

最后，通过将每个分割核与其对应的帧特征进行卷积，为

生成一系列分割掩码 M，然后进行双线性上采样操作以将掩码大小调整为真实分辨率

实验

该研究在A2D-Sentences数据集上将MTTR与SOAT方法进行比较。结果如表 1所示，该方法在所有指标上都显着优于所有现有方法。

例如，该模型比当前SOTA模型提高了 4.3 mAP ，这证明了MTTR能够生成高质量的掩码。该研究还注意到，与当前SOTA技术相比，顶级配置（w = 10）的MTTR实现了 5.7 的 mAP 提高和 6.7% 的平均 IoU 和总体 IoU 的绝对改进。值得一提的是，这种配置能够在单个 RTX 3090 GPU 上每秒处理 76 帧的同时做到这一点。