PointRend 原理与代码解析

paper：PointRend: Image Segmentation as Rendering

code1：https://github.com/facebookresearch/detectron2/tree/main/projects/PointRend 

code2：https://github.com/open-mmlab/mmsegmentation/tree/master/configs/point_rend 

创新点

本文的中心思想是将图像分割视为一个渲染问题，具体做法是使用subvision策略来自适应地选择一个非均匀的点集来计算标签。说人话就是针对图像分割中边缘分割不准的情况，提出了一种新的优化方法，具体就是选取网络输出特征图上少数难分像素点，这些难分点大概率分布在物体边缘附近，然后加了一个小的子网络去学习这些难分点的特征，最终提升模型在物体轮廓边缘处的分割精度。

方法介绍

PointRend主要包含三个部分

1. a point selection strategy
2. a point-wise feature representation
3. a point head

Point Selection

推理阶段 对于网络的输出特征图，挑选 N" role="presentation">N$N$ 个最难分最不确定的点（比如对于只有一类前景的分割问题，概率越接近0.5说明越难分），计算这些难分点的point-wise feature representation，然后根据这些特征去预测这些点的类别。这 N" role="presentation">N$N$ 个点之外的其它易分点就直接以coarset level即模型输出的最小feature map的预测结果为准。然后上采样，重复该步骤。

训练阶段 推理阶段采用的逐步上采样然后每次都选择 N" role="presentation">N$N$ 个最难分点的方式不适合训练阶段，因此训练阶段采用non-iterative的方法，首先基于均匀分布随机过采样 kN(k>1)" role="presentation">kN(k>1)$kN(k>1)$ 个点，然后从中选出 βN(β∈[0,1])" role="presentation">βN(β∈[0,1])$\beta N(\beta \in [0,1])$ 个最不确定的点，然后再从剩下的点中基于均匀分布挑出 (1−β)N" role="presentation">(1−β)N$(1-\beta )N$ 个点，然后接一个point head subnetwork去学习这 N" role="presentation">N$N$ 个点的特征，point head的预测和损失计算也只针对这 N" role="presentation">N$N$ 个点。

Point-wise Representation

Fine-grained features. 为了让PointRend学习精细的分割细节，要从CNN的特征图中提取每个采样点的特征向量，并且要采用浅层的分辨率大的包含丰富细节特征的特征图。下面的实现中采用的是neck输出中分辨率最大的特征图。

Coarse prediction features. 细粒度特征包含了丰富的细节特征，但只有细粒度特征还不够，一是因为当一个点被两个物体的bounding box同时覆盖时，这两个物体在这一点有相同的细粒度特征，但这个点只能被预测为其中一个物体，因为对于实例分割，还需要额外的region-specific特征。二是因为细粒度特征只包含了低维信息，更多的上下文和语义特征可能会有帮助，这对实例分割和语义分割都有帮助。下面的实现中采用的是fpn head的最终预测输出。

将fine-grained特征和coarse prediction特征拼接到一起，就得到了这些采样点的最终特征表示。

Point head

在得到了采样点的特征表示后，PointRend采用了一个多层感知器（MLP）来进行点分割预测，预测每个点的分割类别后，根据对应的标签计算损失进行训练。

代码解析

接下来以mmsegmentation中的PointRend实现为例，讲解一下具体实现。

只有一类前景。假设batch_size=4，input_shape=(4, 3, 480, 480)。backbone=ResNetV1c，backbone的输出为[(4, 256, 120, 120), (4, 512, 60, 60), (4, 1024, 30, 30), (4, 2048, 15, 15)]。neck=FPN，neck后的输出为[(4, 256, 120, 120), (4, 512, 60, 60), (4, 1024, 30, 30), (4, 2048, 15, 15)]。pointrend中有两个head，因此用cascade_encoder_decoder将两个head串联起来。第一个head是FPN head，借鉴了Panoptic Feature Pyramid Networks中的Semantic FPN，这里就不具体介绍了，输出为(4, 2, 120, 120)，然后计算这个head的损失，loss采用的交叉熵损失。

第二个head是point_head，point_head的输入包括neck的最大分辨率输出(4, 256, 120, 120)，以及FPN head的输出(4, 2, 120, 120)。

选择难分点，这里prev_output是fpn head的输出

with torch.no_grad():
    points = self.get_points_train(
        prev_output, calculate_uncertainty, cfg=train_cfg)  # (4,2,120,120) -> (4,2048,2)

评价难分程度的函数如下，具体就是计算每个点top1得分和top2得分的差，差越小说明越难分。注意这里计算的是top2-top1，值为负，所以值越大说明越难分。

def calculate_uncertainty(seg_logits):
    top2_scores = torch.topk(seg_logits, k=2, dim=1)[0]  # (4,2,6144) -> (4,2,6144)
    return (top2_scores[:, 1] - top2_scores[:, 0]).unsqueeze(1)  # (4,6144) -> (4,1,6144)

具体选择用于训练的难分点实现如下，其中随机采样是通过mmcv中的函数point_sample实现的，而point_sample中首先将随机采样的坐标point_coords由[0, 1]转化到[-1, 1]区间，然后通过F.grid_sample根据归一化的坐标位置进行插值采样，F.grid_sample的用法见F.grid_sample 用法解读_00000cj的博客-CSDN博客。在训练过程中，如上文所述，point selection阶段 N=2048,k=3,β=0.75" role="presentation">N=2048,k=3,β=0.75$N=2048,k=3,\beta =0.75$。实际挑出训练的点有2048个，首先随机采样3x2048=6144个点，然后挑选出最难分的0.75x2048=1536个点，剩下的2048-1536=512个数随机挑选。

def get_points_train(self, seg_logits, uncertainty_func, cfg):
    """Sample points for training.
    Sample points in [0, 1] x [0, 1] coordinate space based on their
    uncertainty. The uncertainties are calculated for each point using
    'uncertainty_func' function that takes point's logit prediction as
    input.
    Args:
        seg_logits (Tensor): Semantic segmentation logits, shape (
            batch_size, num_classes, height, width).
        uncertainty_func (func): uncertainty calculation function.
        cfg (dict): Training config of point head.
    Returns:
        point_coords (Tensor): A tensor of shape (batch_size, num_points,
            2) that contains the coordinates of ``num_points`` sampled
            points.
    """
    num_points = cfg.num_points  # 2048
    oversample_ratio = cfg.oversample_ratio  # 3
    importance_sample_ratio = cfg.importance_sample_ratio  # 0.75
    assert oversample_ratio >= 1
    assert 0 <= importance_sample_ratio <= 1
    batch_size = seg_logits.shape[0]  # (4,2,120,120)
    num_sampled = int(num_points * oversample_ratio)  # 2048x3=6144
    point_coords = torch.rand(
        batch_size, num_sampled, 2, device=seg_logits.device)  # (4,6144,2)
    point_logits = point_sample(seg_logits, point_coords)  # (4,2,6144)
 
    # It is crucial to calculate uncertainty based on the sampled
    # prediction value for the points. Calculating uncertainties of the
    # coarse predictions first and sampling them for points leads to
    # incorrect results.  To illustrate this: assume uncertainty func(
    # logits)=-abs(logits), a sampled point between two coarse
    # predictions with -1 and 1 logits has 0 logits, and therefore 0
    # uncertainty value. However, if we calculate uncertainties for the
    # coarse predictions first, both will have -1 uncertainty,
    # and sampled point will get -1 uncertainty.
    point_uncertainties = uncertainty_func(point_logits)  # (4,1,6144)
    num_uncertain_points = int(importance_sample_ratio * num_points)  # 0.75x2048=1536
    num_random_points = num_points - num_uncertain_points  # 512
    idx = torch.topk(
        point_uncertainties[:, 0, :], k=num_uncertain_points, dim=1)[1]  # (4,1536)
    shift = num_sampled * torch.arange(
        batch_size, dtype=torch.long, device=seg_logits.device)  # (4,), (0,6144,12288,18432)
    idx += shift[:, None]  # (4,1536) += (4,1) -> (4,1536)
    # (4,6144,2)->(24576,2)[(4,1536)->(6144), :] -> (6144,2) -> (4,1536,2)
    point_coords = point_coords.view(-1, 2)[idx.view(-1), :].view(
        batch_size, num_uncertain_points, 2)
    if num_random_points > 0:
        rand_point_coords = torch.rand(
            batch_size, num_random_points, 2, device=seg_logits.device)
        point_coords = torch.cat((point_coords, rand_point_coords), dim=1)  # (4,2048,2)
    return point_coords

在得到待训练点的坐标后，分别从neck最大分辨率输出(4, 256, 120, 120)和FPN head的预测结果(4, 2, 120, 120)上插值得到对应的fine feature和coarse feature。其中内部实现还是通过point_sample。

fine_grained_point_feats = self._get_fine_grained_point_feats(x, points)  # (4,256,2048)
coarse_point_feats = self._get_coarse_point_feats(prev_output, points)  # (4,2,2048)

然后将fine feature和coarse feature拼接起来，最终的point head是一个MLP，层数为3，最终再经过一个卷积层得到这2048个点的分类结果。

point_logits = self.forward(fine_grained_point_feats, coarse_point_feats)  # (4,2,2048)
 
def forward(self, fine_grained_point_feats, coarse_point_feats):
    x = torch.cat([fine_grained_point_feats, coarse_point_feats], dim=1)  # (4,258,2048)
    for fc in self.fcs:
        x = fc(x)
        if self.coarse_pred_each_layer:  # True
            x = torch.cat((x, coarse_point_feats), dim=1)  # (4,258,2048)
    return self.cls_seg(x)  # (4,2,2048)

在得到难分点的预测结果后，因为采样点的坐标不是整数，特征是从feature map上插值得到的，对应的标签也要插值得到，只不过特征插值时是采用的bilinear，而标签采用的是nearest。point head的loss也是交叉熵损失。 

point_label = point_sample(
    gt_semantic_seg.float(),  # (4,1,480,480)
    points,
    mode='nearest',
    align_corners=self.align_corners)  # (4,1,2048)
point_label = point_label.squeeze(1).long()  # (4,2048)
losses = self.losses(point_logits, point_label)

实验结果 

下图是一些示例，可以看出PointRend对边缘的分割更加精细。

因为只采样少数难分点，而对于大部分易分点比如远离图像边缘的区域，coarse prediction就足够了，因此增加point head后增加的计算量有限，如下 

下面分别是在DeeplabV3和SemanticFPN中加入PointRend，精度都得到了提升 

分割的标注通常不够精确，因此实际效果的提升可能比上表中的更大。