RANet：Ranking attention Network for Fast Video Object Segmentation论文解读

这篇ICCV2019的论文可算是厉害了。单目标视频目标分割(VOS)中的SOTA效果，并且速度还惊人的快。

官方源码:github
论文地址：arxiv

Idea

近年来，Match based和Propagation based 方法做快速VOS的效果显著。这篇工作就将这两个方法的优点融合进来。为了让读者能快速理解VOS的发展趋势，我简单说下什么是Match based和Propagation based 。

• Match based：代表有FEELVOS和siammask，通过学习（当前帧和参考帧）两帧之间的像素之间的相似性，用相似图结合卷积特征来帮助目标分割
• Propagation based：代表有MaskTrack，通过提供前一帧的mask信息，把mask 直接concat到输入图像上，然后送到卷积网络输出目标的分割结果。

作者认为，Propagation based方法会有误差的漂移，而Match based方法会有错误的matching，使得网络学习的是次优模型。

如a图，圆圈里面有一个叉的符号，代表学习相似性，目前往往是cross correlation操作，（RGMP用的是concat）。b图则就是把mask concat一下。c图就是RANet提出的抽象结构了。输入第t帧作为当前帧，参考帧（或者称作模板）和当前帧学的相似性，得到相似图。Ranking模块为每一个map学的一个score，根据score排序，选出score大的一些map，用这些map送到Deconv当中，得到目标的分割图。

main contributions

• 作者把matching和propagation都整合进一个框架中，形成了能实时（33fps）的半监督VOS方法。
• 提出一种Ranking attention Module 来给特征图打分，然后挑选出重要的特征图，用于更加精细的VOS
• 在DAVIS16,17上测试，得到了state of the art的效果。并且在DAVIS2016，目前是最高的J&F。同时具有30fps的速度

Method

overview

首先是encoder，通过卷积网络如resnet得到图像的特征。然后送到correlation模块中学习和第一帧的特征的相似性。所以也是一种孪生结构。注意第一帧的特征是经过reshape的。这个也会在后面的小节中细讲。
学习到了相似图有$H_0?W_0$个。$H_0,W_0$是第一帧得到的卷积特征的分辨率。也就说是，参考帧特征的每一个单元（C维向量）都会和当前帧特征去做相关性学习，参考帧特征图有$H_0,W_0$个单元，所以得到的相似图特征的shape是$H?W?(H_0?W_0)$。接下来相似图会分成两个流到两个RAM模块中，一路RAM的目标是挑选出对前景分割有利的相似图，另一路RAM的目标是挑选出对背景分割有利的相似图。
通过挑出出重要的相似图之后，就把两路特征融合一下，融合的方式很简单就不再多说。注意融合的时候，concat了第t-1帧的预测结果。最后把最终的特征送到deconv中，得到最后的分割图。

Correlation

参考帧特征记作$I^1\in R^{C?H_0?W_0}$，当前帧特征记作 $I^t\in R^{C?H?W}$。
先把$I_1$reshape为$R^{H_0?W_0?(C?1?1)}$，记$K=K_j|j=1...H_0?W_0$，K是$I^1$的单元特征的集合，每一个元素都是C维特征。K中的每一个元素经过L2 normalize之后，去和$I^t$做correlation操作。相当于把每一个元素当成卷积核，1*1的卷积核。得到的相似图集合记作S。
$$S=\left\{S_j|Sj=K_j?I^t\right\}$$
S中的每一个元素代表一张相似图，是从模板特征（参考特征）中的一个单元通过correlation得到的。其实建立的是：模板特征的单元向量和当前帧中的特征，哪个位置最相似

如上图，将得到的相似图可视化之后，可以发现某些区域是很亮的，说明这些区域和对应的单元向量（来自参考帧）很相似。

RAM

在得到了相似图之后，相似图被送到两路RAM中。这里仅仅以第一路为例。从总览图中可以清晰的看到，第一路RAM的输入有两个，分别是相似图集合S和第一帧的前景mask。

ram模块分三步走：

• 之前说了S的shape是$(H_0?W_0)?H?W$，第一个维度是通道维度。现在reshape为$(H?W)?H_0?W_0$。就是交换一下空间维度和通道维度。然后和mask相乘。mask的分辨率本来和原图一样大，把mask resize到$H_0?W_0$，作者认为，这一步目的是将不是前景的区域的特征抑制掉。（其实我觉得一步很没道理啊，既不是空间注意力，又不是点积相似性，而且空间维度和通道维度都交换了，怎么还能乘上mask去抑制无关的背景特征呢？）。得到的特征记作$S^1$。
• 然后$S^1$经过一个两层的CNN，同时还有channel-wise 的GMP,得到两个$H_0?W_0$的map。这两个map相加再reshape为向量的形式，就代表了一组ranking score了
• 第三步，把ranking score和相似图S送入Rank模块（白色矩形框框）。这个Rank模块的工作机制很简单。

就是根据score挑选出最大的256个map，组成新的feature。注意如果score中大于0的数的没有256个，则剩下的用0 padding组合成256通道的特征图。

propagation and Deconv

这个部分从示意图中看出，就是concat上一帧预测的mask，（当然这个mask是经过resize的），然后送到分割头网络中得到最终的分割结果。deconv网络具体的结构，作者提交了一份补充说明材料，不在这篇论文上。

details

encoder

采用resnet101，将bn替换为in(instance norm)，把后三个stage的特征用卷积层降维，并且通过L2的normalize，这是为了多尺度的融合以及特征裁剪（pruning）

decoder

采用一般的deconv。把encoder的最后三个stage的特征送进来。

training

输入图像resize到480*864。数据增强采用的是随机旋转（-30-+30），随机scaling（0.75-1.25），随机裁剪，还有一个叫做Thin plate Splines(TPS)。（不知道这是啥，没听说过）

experiments

具体实验数据就不说了，总之很强就对了。哈哈
作者的源码还没开放，说是会不久之后到。我估计就是在ICCV2019大会之后吧