A Unified Transformer Framework for Group-based Segmentation: Co-Segmentation, Co-Saliency Detection and Video Salient Object Detection
https://github.com/suyukun666/UFO
https://arxiv.org/abs/2203.04708
Introduction
co-segmentation (CoS) 协同分割：从包含共同对象(往往也称为前景)的图像组中分割出共同对象
co-saliency detection (CoSD) ：与CoS类似，但是CoSD旨在模拟人类视觉系统，从而找出视觉上最显著的区域
video salient object detection (VSOD)
传统：
Geodesic saliency using background priors ECCV2012
Saliency-aware video object segmentation 2017
Video salient object detection via robust seeds extraction and multi-graphs manifold propagation 2019
Improving video saliency detection via localized estimation and spatiotemporal refinement 2018
3D卷积：
Learning spatiotemporal features with 3d convolutional networks 2015
Making a case for 3d convolutions for object segmentation in videos 2020
光流：
Full-duplex strategy for video object segmentation 2021
Video salient object detection via robust seeds extraction and multi-graphs manifold propagation 2019
Semisupervised video salient object detection using pseudo-labels 2019
注意力：
Shifting more attention to video salient object detection 2019
Pyramid constrained self-attention network for fast video salient object detection 2020
Method
本文提出了一个联合框架UFO，可以统一上述三种任务
Architecture
encoder：VGG16，得到多尺度特征
最后两层后面接transformer block：
matching the co-objects similarities, producing the enhanced co-attention maps
intra-MLP & co-category semantic guidance：结合decoder中的特征，增强co-object 区域
co-category embedding response α 通过相乘应用到decoder中的特征上
intra self-masks β 则是加到decoder中的特征上
transformer block
以F4后接的transformer block为例，首先将F4（B*N*C*h*w）reshape成一系列tokens（B*C*P），然后是输入到transformer block中。
图4展示了transformer block学到的信息，第一行是输入图像，第二行是在输入transformer block之前的特征图，第三行是经过transformer block之后的特征，可以看到经过transformer block之后，目标区域变得更加清晰。
第四行是选中的patch对应的注意力图，包括香蕉的尾端和企鹅的头部。
可以看到transformer block可以在不同的位置像素上进行长期依赖关系的建模。
Intra-MLP
Transformer block关注的是图像之间的相关性，intra-MLP关注的是单张图像内部的目标区域。
encoder顶层的特征图可以被看成是不同的patches。
考虑到每个patch的信息不仅与相邻的patch相关，距离较远的patch之间可能也有相似的特征，因此我们结合了非局部的语义信息来增强目标特征。
首先将F4 （B*N*C*h*w）reshape成F4-（B*N*C*Q），然后构建一个矩阵M（B*N*Q*Q）来表示单张图像中每个patch之间的相似度。利用L2-distance来衡量任意两个patch之间的关系。
M的对角线元素设置为-∞，避免自己与自己匹配。
对于每一个query patch，我们在矩阵上使用KNN来匹配出对应的目标，然后输出一个tensor（Q*K）表示top-K语义相关的patches，从而得到F4 ~ （B*N*C*Q*K）。
然后利用MLP和MAX（ element-wise maximum）操作来得到更新后的特征Z（B*N*C*Q）。
这一步的目的是将目标特征与其top-K特征的特征信息相结合，并通过感知机进行学习。
最后reshape Z并进行sigmoid来得到self-masks β。
co-category semantic guidance
将F4输入进一个卷积层和一个GAP层，生成一个向量α。
FC层对embedding α进行分类，来得到co-category labels y~。
然后将co-category embedding response α 和 self-masks β 作为 learned scale modulation parameters（通过使用丰富的语义感知线索来排除co-object区域中的干扰物）和 bias parameters（通过赋予空间感知信息来补充和突出目标目标）作用到decoder上。
解码器利用跳跃连接结构来融合来自编码器的低分辨率层特征。
损失函数
类别损失（语义信息）：交叉熵
Weighted Binary Cross-Entropy (WBCE) loss（像素级别的分割）：
IoU loss（评估分割的精度）：
损失函数：
数据集：
four CoS benchmarks (PASCAL, iCoseg, Internet and MSRC)
three CoSD benchmarks (Cosal2015, CoSOD3k, and CocA)
four VSOD benchmarks (DAVIS16, FBMS, ViSal and SegV2)
评估指标：
object co-segmentation：Precision (P) and Jaccard index (J )
co-saliency detection and video salient object detection：
mean absolute error MAE, F-measure Fβ, E-measure Em, and S-measure Sm
消融实验
CoS (PASCAL-VOC and iCoseg) datasets
表5：
transformer不仅能够更好地建模长距离依赖性，而且在速度上取得了最好的性能。
