作者：西安交通大学人工智能学院二年级博士生 宋林
▶ NeurIPS 2020 文章专题 第·14·期
本文是西安交通大学人工智能学院联合香港中文大学、中国科学院自动化研究所发表于NeurIPS 2020的一项工作。本工作抛弃了图像中常用的网格 (Grid) 结构形式，利用树形结构实现了线性复杂度的高阶关系建模和特征变换。在保证全局感受野的同时，保留物体的结构信息和细节特征。可学习的模块被灵活地应用在了目标检测、语意分割、实例分割和全景分割上。
本工作有效地弥补了传统二元关系建模方法的不足之处，从而在更低的复杂度下，即可取得更为显著的性能提升。此外，本工作提供了高效的GPU实现和PyTorch代码，只需要两行代码即可使用。
- 论文链接：
https://arxiv.org/abs/2012.03482
- 代码链接：
https://github.com/Megvii-BaseDetection/TreeFilter-Torch
https://github.com/StevenGrove/LearnableTreeFilterV2
- 更多参考资料：
https://arxiv.org/pdf/1909.12513.pdf
一、传统长距离关系建模方法
首先说一下研究背景，为了解决卷积神经网络的有效感受野受限的问题，很多基于视觉上下文建模的方法被提出来。它们大体上可以被分为两类，一类是local-based，一类是global based。其中local-based通过增大卷积的感受野来实现，包括dilation convolution，deformable convolution，aspp等等，而global based则利用attention机制，通过建模二元关系来获得全局感受野。然而，这些建模一元或二元关系的方法，无法感知其他物体的影响。例如，当两个同类物体被背景隔离，这对于instance相关的任务而言，期望两者具有较低的相关性。但是，在没有position encoding的前提下，这些方法会输出较高的相关性。这反映在可视化上，即很难保留物体的细节或者结构化信息。
图1：传统的上下文建模方法分为local-based (左) 和global-based (右)
二、建模高阶关系的树形特征变换器
为了解决这个问题，我们提出了一篇工作Learnable Tree Filter (https://arxiv.org/pdf/1909.12513.pdf )。它利用具有丰富细节信息的低层级特征来构建一颗最小生成树，而最小生成树具有一些很好的特性。如图2中右侧，k点和n点分别属于人和车两种不同物体，理想情况下我们希望它们之间具有很低的特征相似度。但是由于空间距离相近，如果只依靠二元关系建模，则很难将两者有效地区分开。
图2：Learnable Tree Filter的示意图，在树上同一物体内不同节点的距离被拉近，而不同物体间的节点则被拉远。
而最小生成树的构建过程保证了它会优先连接最相近的节点，也就是说它会先在人和车的内部进行连接，最后再将两者之间进行连接。从而，可以看到图上k到n的红色箭头，它表示的是k到n在树上的路径。这个路径的距离等于其中每条边距离的总和，因此能够很好地将两者区分开，从而达到结构保留的效果。这里区别于传统的二元关系建模，树上k到n的路径是涉及到多节点间的高阶关系，即改变路径中任意一个节点的特征，都会改变k到n之间的相关性。除此之外，由于树是一个无环图，因此可以通过动态规划算法来实现线性的计算复杂度
三、灵活的即插即用的模块
图3：利用Learnable Tree Filter的语义分割网络示意图
当learnable tree filter被打包成一个可微的即插即用的模块，就可以很方便地用于各种神经网络的某一层上。例如，对于语义分割任务，我们可以将learnable tree filter (也就是图3中的绿圆) 放在FPN的decoder上。
图4：右侧Heatmap表示与一个锚点 (红色十字叉) 之间的相关性
图4给出了一些相关性的效果展示，可以看到左边火车上的两个红色十字差表示两个锚点位置，右边的热力图表示与其中一个锚点位置的相似度。可以看到，采用二元关系建模的non-local (右边NL所示) 它对两个锚点的相似度几乎一致，而我们的模型则通过建模结构保留了高阶关系，从而有效地将两者进行区分。此外，对于图4中的细长物体 (旗杆) ，二元关系建模的non-local会被背景信息淹没，而我们的方法则可以很好地保留结构细节.
图5：基于改进的Markov Random Field形式的LTF-V2获得了更强大的长距离特征表达能力
四、进一步提升长距离特征表达能力
然而learnable tree filter依然存在一些问题，由于树自身具有几何约束，导致滤波过程会被限制在一个局部区域内，很难与远方的节点进行有效交互。另外，最小生成树过程是一个不可微的，从而降低了模型的通用性和灵活性。为了解决第一个问题，我们首先利用MRF对learnable tree filter做了重新的建模 (这部分请参考原论文) ，然后我们发现对应的MRF的一元项是一个定值，而这直接导致了learnable tree filter很难具有长距离的感受野。
为此，我们引入了一个data-dependent的一元项建模形式。并利用belief propagation算法得到了闭式解，这种新形式的learnable tree filter可以缓解几何约束，并且可以高效地与远方节点进行交互。另外，为了解决最小生成树不可微的问题，我们提出了一种可学习的生成树过程，从而实现完全的端到端的训练。
五、目标检测、语意分割和实例分割的应用
图6：ground-truth、mask-rcnn和learnable tree filter在COCO实例分割的效果图
有了上面的技术，本文给出了实际的运行效果。图6是instance segmentation和object detection的效果图，左边是ground-truth，中间是mask-rcnn的结果，右边是mask-rcnn+learnable tree filter的结果。可以看到learnable tree filter在杯子和勺子的边缘有明显的提升，另外检测和分类能力也得到了增强。
图7：learnable tree filter在VOC2012语意分割的效果图
图7给出了语意分割上的效果，第一行是输入图片，第二行为learnable tree filter的预测，第三行为ground-truth。其中有个非常有意思的现象，比如图中的自行车，可以看到即使ground-truth上没有给出辐条的标注，利用结构保留的建模，我们的算法依然可以将其分割出来。另外，旗杆、马背、马身的细节也可以有效地保留。
表1：各方法在mask-rcnn (resnet-50，1x) 下COCO val set的结果
表2：左侧为cityscapes val set右侧为cityscapes test set，只使用fine数据训练
除此之外，这里给出了定量的结果，表1的COCO数据集显示，我们的算法相当于其他方法，只需要用很少的资源就可以实现更高的性能。表2显示，cityscapes的语义分割，我们使用简单的FPN结构就可以达到SOTA的结果。
六、高效灵活，两行PyTorch代码即可使用
图7：在Tesla V100上的实际运行时间
有些人可能会质疑，learnable tree filter这种序列操作在GPU这样的并行设备上效率不高。我们对cuda代码做了仔细的优化，实现batch、channel和同深度节点间的并行，并行效率很好。下图是我们在一块tesla v100的实测结果，可以看到随着节点数的增多，我们的算法实现线性的时间增长，这在具有大量节点的应用中，我们的算法会有很大的优势。
另外，我们还给出了一个很简单的pytorch代码，大家只用在原有的pytorch代码中加入两行就可以用learnable tree filter的模块。
七、丰富的潜在应用场景
图8：丰富的潜在应用，包括替换transformer，解迷宫问题和视频特征增强
我们相信learnable tree filter还有很多的潜在应用场景，图8给出了三个例子：1) 替换transformer中的attention模块；2) 由于我们算法可以建模高阶关系，这可能对因果推断，解迷宫也会有帮助；3) 高效的推断可能会帮助视频分析类任务提取高分辨率的时序信息。
作者简介
宋林，西安交通大学人工智能学院二年级博士生，导师为孙剑和孙宏滨。他目前的研究兴趣是通用物体检测、图像分割和视频行为识别与检测。个人主页：linsong.me
▶ NeurlPS 2020 论文解读
// 1｜伯克利新工作: 基于动态关系推理的多智能体轨迹预测问题
// 2｜港中文MMLab自步对比学习: 充分挖掘无监督学习样本
// 3｜Glance and Focus: 通用、高效的神经网络自适应推理框架
// 4｜俄亥俄州立大学: DQL算法首次有限时长分析及收敛速率刻画
// 5｜清华联合斯坦福：基于模型的对抗元强化学习
// 6｜港中文深圳联合伊利诺伊香槟: 求解对抗训练等Min-Max问题的简单高效算法
// 7｜IGNN图卷积超分网络: 挖掘隐藏在低分辨率图像中的高清纹理
// 8｜UT Austin&快手提出Once-for-All对抗学习算法实现运行时可调节模型鲁棒性
// 9｜RPI-IBM团队提出图结构&表征联合学习新范式IDGL：用于图神经网络的迭代式深度图学习
// 10
// 11｜网易伏羲联手天大、中科大提出: 自适应奖赏塑形的双层优化建模和求解
// 12｜伯克利人工智能实验室提出HAWQ: 基于Hessian矩阵的全自动混合精度量化方法
// 13｜基于细粒度动态网络的图像物体检测器
