Concept Mask: Large-Scale Segmentation from Semantic Concepts
2018-08-21 11:16:07
Paper：https://arxiv.org/pdf/1808.06032.pdf
本文做了这么一件事：给定一张图片以及概念名词，输出其对应的分割结果，如下图所示：
具体来说，这个流程大致可以分为如下几个部分：
1. Embedding Network 来学习视觉特征和语义概念之间的对应关系；此时，我们可以得到一个粗糙的 attention map；
2. 优化模块，在上一步骤的基础上，利用 BBox 的标注信息，得到高质量的 attention maps；
3. A label agnostic segmentation network，在 COCO-80 分割数据集上进行有监督的训练。这个网络将上述得到的 coarse attention maps，以及原图作为输入，得到最终概念级别的分割结果；
总体的流程图如下：
下面分别详细的介绍下对应的每一个模块：
1. Embedding Network：
作者在 Stock-18K dataset 上进行了训练，该数据集包含 6 million images，每一个图像都对应有标注的 tags，有 18K vocabulary。
Word Embedding
有了 tag 的信息，第一步就是将其映射为 vector，与通常直接用 pre-trained Word embedding 的方法不同，本文采用的是：point-wise mutual information (PMI) 来学习我们自己的 Word embedding。当一张图像有多个对应的 label 时，作者采用了常规的 加权平均的方法，得到一个统一的表达，称为：“soft topic embedding”。
Joint Word-Image Embedding
作者用余弦相似性 loss 函数来衡量，visual embedding 与 soft topic word vector 之间的距离：
Attention Map
作者用一个全卷机的网络结构，将输入的图像，转换为对应的 attention map；然后计算每一个位置上，图像和单词描述之间的相似度：
2. Attention Map Refinement
虽然上述过程得到了初始的 attention maps，但是由于缺乏 空间信息的标注，使得该 attention map 非常的粗糙；
Multi-task Training
作者采用了 二元交叉熵损失函数来度量所输出的 maps 和 GT maps 之间的差距：
Spatial Discrimination Loss
作者给出了不采用 softmax loss，而用 binary cross entropy loss 的原因：there are many concepts whose masks are overlapping with each other. 但是，仍然有一些概念，几乎从来不会重合。为了充分利用这种关系，作者提出了一种辅助的 loss 函数，来判断这些空间上不重合的概念，即：spatial discriminatives loss。
特别的，我们统计训练数据中，相互重叠的概念对：
有了这个重叠比例矩阵 O(i, j)，那么，我们可以用一个概念 i 的训练样本当做 非重合概念 j 的 negative training example，即：
for a particular location in the image, the output for concept j should be 0 if the ground-truth for concept i is 1.
为了软化这个约束，作者进一步根据重合度，进行了辅助 loss 的加权，权重的计算方法如下：
3. Label Agnostic Segmentation Network
为了得到更加精细化的分割结果，像素级的标注信息是必不可少的。所以，这里，作者将上述过程中得到的 coarse maps 以及 原始图像都作为分割网络的输入，然后得到最终精细化的分割结果。
Experiments：
