论文日记五：QueryInst

导读

实例分割领域21年的SOTA，整个模型结构设计总述为以下：
1）设计了类似于Cascade Mask R-CNN的多阶段迭代优化的bbox和mask预测头；
2）基于query的实例分割方法，延续了DETR(首次将Transformer成功整合为检测pipline中心构建块的目标检测框架模型)中的随机初始化N个object queries和匈牙利匹配损失函数、transformer的Mutil-head attention模块，提出了动态掩码头模块；

这里先解释第一点：多阶段优化
实例分割领域的使用多阶段优化迭代主要解决一个问题：Mismatch
Mismatch问题以两阶段的R-CNN为例子，我知道两阶段实例分割训练阶段大概流程为：输入图像-->backbone（一些卷积操作等等得到特征图）-->feature map --> Region Proposal Netword(RPN) --> Proposal --> Roi pooling/Roi Align（流程如下图所示），在这个得到proposal的时候，会计算proposal和GT的IOU，这时会有一个人为设定的阈值IOU，通过阈值将proposal分为正、负样本（一般为1：3），之后这些proposal送入到ROI Pooling/Roi Align中进行分类和回归；而在测试阶段，输入图像-->backbone-->feature map-->RPN-->proposal到proposal这一步无法采样，因为没有GT，只能将所有的proposal当做正样本进入ROI Pooling,这样导致的问题是：训练阶段的proposal被采样过，而inference没被采样过，输入ROI pooling/RoI Align的分布不一样，后者未经过筛选，质量更差，用前者训练的detector来测试后者的proposal，肯定不对；此外如果提高IOU阈值，1）满足阈值的Proposal更少，造成过拟合；2）training阶段的proposal减少，而inference不变，更加剧了“1）”。

因此，Cascade RCNN给出的方法是：多阶段（用一个stage的输出去训练下一个stage），例如，有一个IOU为0.65的proposal，有3个detector（0.6/0.7/0.8），这里的一个固有实验现象是：proposal经过detector后，IOU会提高，那这样，0.65的proposal经过0.6的detector后，IOU-->0.75,再经过0.7的detector又提高到0.85，再-->0.8的IOU，detector-->0.95,这样proposal的质量更高，而且因为阈值逐级上升，不会有多的样本筛选掉；

第二点结合模型结构来了解；

模型结构

1）Backbone：queryinst的backbone由ResNet50+FPN输出C2,C3,C4,C5四个分辨率的特征；
2）queries：这里延用了DETR中随机初始化N个object queries，采用nn.Embedding初始化N个object的queryinst bbox和queries features，并将初始化的bbox解码为原始尺寸的bbox表达，（bbox解码有中心点+高宽改为左上、右下角点表示）；
3）bbox和cls预测：以第一阶段为例子，

• x^FPN表示FPN输出的多分辨率特征图，b_t-1表示上一阶段的bbox的预测，P^box在这表示ROI Align,x^box_t表示得到的7*7的bbox feature；
• q_t-1是上一阶段的object query，MSA_t是transformer中的Mutil-head self-attention，得到的q^*_t-1是transformer query;
• DynConv^box_t是动态卷积，输出的q_t和x^box*_t分别是增强的bbox feature和object query；
• B_t代表有FFN构成的bbox预测分支，b_t为这一阶段的预测结果；

4）最主要创新点：Dynconv^box和DynConv^mask

这里有queryinst的动态掩码头示意图：

与以往不同的是，增添了一个DynConv^mask_t模块，这样将query和mask feature 建立了联系，看下面公式：

看懂了第“3）”部分的公式，这部分也自然容易看懂，这里最重要的是，经过ROI Align的mask feature和query同时经过了动态卷积，

• 那这样在训练期间，每个掩码信息不仅传回X^mask_t,还会流回query，这样使得mask和query之间建立了联系，训练完成后，掩码预测的信息存在query中；
• 在推理阶段，前5个stage丢弃所有的动态掩码头，仅在最后阶段使用，query隐式地携带了多阶段信息进行掩码预测（query+X^mask_{t经过Dynconv^tmask得到mask）}

总结

1. queryinst集成了Cascade Mask R-CNN的多阶段迭代优化和DETR的object queries和匈牙利匹配损失函数、transformer的Mutil-head attention模块，构建了一个基于query的实例分割框架，它由基于query的对象检查器和并行监督驱动的六个动态掩码头组成；
2. 关键点是提出了Dynconv^t_mask模块，将query和mask信息建立了联系，同时利用不同阶段的query中固有的一对一对应关系提升了检查精度，即每个单独的的query在每个阶段均用来预测同样的目标；
   3.多头自注意力