OCRNet：Segmentation Transformer：Object-Contextual Representations for Semantic Segmentation
语义分割是对像素进行分类，而像素的类别标签是由它所在的目标的类别标签决定的，通常的上下文信息是基于像素之间的，OCRNet 根据类别数量，基于"自注意力机制"显式地增强来自同一物体的像素贡献
什么是 OCRNet ？
- 语义分割是对像素进行分类，而像素的类别标签是由它所在的目标的类别标签决定的，通常的上下文信息是基于像素之间的，能不能利用像素所在目标的类别去构建上下文标签呢？
- OCRNet 根据类别数量，基于"自注意力机制"显式地增强来自同一物体的像素贡献
OCRNet 的网络结构？
- Pixel Representations：经过 CNN 提取得到的结果，假设输出是 (BxCxHxW)
- 软对象区域（Soft Object Regions）：根据目标的类别数量，使用 1 x 1 卷积调整通道数，假设最后有 17 个类别，则输出 (Bx 17 xHxW)的特征，表示任意像素位置的 17 长度的隐向量。注意：这里有使用 loss 去监督每个像素的类别表示
- 对象区域表示（Object Region Representations）：Pixel Representations 与 Soft Object Regions 的计算结果，即 (Bx 17 xHxW) x (BxCxHxW) =(B, 17, C)，表示 17 个类的 C 长度的特征
- 对象上下文表示和增强表示：首先基于 Soft Object Regions 和 Object Region Representations 求得像素与区域相似度，即给每个像素增加区域上下文，然后和 Pixel Representations 输出 concat 在一起输出
OCRNet 比较 transformer?
- Transformer 输入：包括2部分，一部分是 image representations 输入 Transformer Encoder 用于增强特征表示，另外一部分是 category queries 输入到 Transformer Decoder 中可以用于编码不同语义类别的上下文信息。在原始 OCRNet 中，我们省略了灰色部分的操作，即 pixel representations 和 region representations 上的 Self-Attention 操作
- 类比 OCRNet：K，V 就是 CNN 输出Pixel Representations，Q 就是 Soft Object Regions，首先通过 QK^T 得到 Object Region Representations，也就是注意力矩阵，然后 Object Region Representations 与Pixel Representations计算输出，也就是 (QK^T) xV 的过程
- 综上可以看出OCRNet方法背后的思想同Transformer的做法有不少共通之处，另外最近也有2篇非常不错的图像语义分割方面工作MaskFormer和K-Net都提出了很有意思的基于Transformer Encoder + Decoder的视角与思路
参考：