CVPR 2022 | 刷新4个SOTA！港大&字节开源ReferFormer: 语言作为查询的参考视频目标分割框架

在本文中，来自香港大学和字节跳动的研究者们提出了一种基于Transformer的参考视频目标分割新框架ReferFormer。其将语言描述视为查询条件，直接在视频中查找目标对象，除此之外，通过实例序列的整体输出自然地完成目标物体的跟踪，无需进行任何后处理。ReferFormer在四个参考视频目标分割数据集上都取得了当前最优的性能。

paper：https://arxiv.org/abs/2201.00487

code: https://github.com/wjn922/ReferFormer

引言

参考视频目标分割（referring video object segmentation，RVOS）是一个新兴且具有挑战性的多模态任务，它需要在视频中将文本所指代的参考对象进行实例分割。

目前得到广泛研究的参考图像分割（referring image segmentation, RIS）任务中，文本描述通常是基于目标的外观特征或者空间关系，RVOS任务则可以对目标所进行的动作进行描述，这要求模型有着更强的时空建模能力，且保证分割目标在所有视频帧上的一致性；与传统的视频目标分割（video object segmentation, VOS）任务相比，RVOS任务在预测阶段没有给定分割目标的真值，从而增加了对目标进行正确精细分割的难度。

现有的RVOS方法往往都依赖于复杂的多阶段框架，以保证分割目标的一致性。为了解决以上问题，香港大学和字节跳动的研究者们提出了一种基于Transformer的端到端RVOS框架 —— ReferFormer，其将语言描述作为查询条件，在视频中仅仅关注于参考目标，且通过连接不同帧上相对应的查询即可完成目标的追踪，无需进行后处理。该模型在四个RVOS数据集上（Ref-Youtube-VOS, Ref-DAVIS17, A2D-Sentences, JHMDB-Sentences) 均取得了当前最优的性能。

方法亮点：

- 提出了一种简单统一，基于Transformer的端到端RVOS框架，无需进行后处理；

- 将语言描述作为查询的限制条件，从而用很少数量的查询即可完成任务；

- 在四个RVOS任务数据集上都取得了当前最优的性能。

方法

图1 网络整体结构

网络主要由四个部分组成：Backbone，Transformer，跨模态FPN以及实例分割生成部分。

Backbone. 网络首先使用视觉编码器从视频中抽取每一帧的特征，同时采用文本编码器获得文本描述的语言特征，该特征进行平均池化后获得的向量即为句特征。

Transformer. Transformer编码器用于进一步建模视频帧的多尺度特征；在解码器部分，定义了N个可学习特征作为query，且为所有帧共享。同时，对上述句特征复制N次，query和句特征共同作为解码器的输入。在这种方式下，所有query都会在语言的指引下仅仅关注于目标对象，因此本文将此查询称为“条件查询（conditional query）”。得益于该设计，模型采用很少数量（默认为5）的query即可获得很好的效果。最终，通过在解码器中进行query和视觉特征的交互，每一帧上均获得含有目标信息的N个表征，对于整个视频，则共有Nq个表征。

跨模态FPN. 在这一部分，视觉特征与文本特征以互注意力的形式进行多尺度、细粒度交互，可以获得更好的分割效果。这一过程中，FPN产生了语义丰富、高分辨率的特征图送入后续分割模块。

实例分割生成部分. 对于前述每一帧上获得的N个表征，首先分别通过class head，box head，mask head生成其对应的二分类概率，边界框以及动态卷积核参数。边界框作为relative coordinate特征添加至FPN的输出特征中，获得每个query对应的卷积特征图，目标mask的生成通过动态卷积得到：

训练和预测. 每一帧上对应位置的query追踪的是同一实例（图中以相同形状表示），将相对应的query进行连接，即可获得属于同一实例的序列，从而自然地对目标进行各种而无需后处理。在训练和预测阶段，均以实例序列视为整体进行监督和输出。

在训练阶段，由于视频中仅含有一个目标物体，因此采用最小代价匹配进行正样本分配，损失函数包括二分类损失，边界框损失以及掩码损失：

在预测阶段，输入为一整段视频。首先计算每个实例序列在所有帧上的平均得分，选择分数最高的实例序列，其索引为σ，输出其对应的mask序列即可。

Demo

以下展示了模型在多个具有挑战性场景的分割效果：

- Ref-DAVIS17

遮挡

姿态变化

- Ref-Youtube-VOS

精细分割

快速运动

图2 可视化效果展示

性能

本文采用不同的视觉编码器进行了广泛实验，在当前四个RVOS上均取得了当前最好的性能。其中，Ref-DAVIS17和JHMDB-Sentences的评估采用的分别是在Ref-Youtube-VOS和A2D-Sentences上训练好的模型，证明了方法的泛化性能。

- Ref-Youtube-VOS & Ref-DAVIS17

图3 Ref-Youtue-VOS和Ref-DAVIS17数据集性能比较

- A2D-Sentences & JHMDB-Sentences

图4 A2D-Sentences数据集性能比较

图5 JHMDB-Sentences数据集性能比较

结论

本文提出了一个简单统一的参考视频目标分割框架，不同于以往复杂、多阶段的pipeline，本文提出了将语言描述作为查询的概念，使得模型能够精准地关注于目标对象，同时通过实例序列匹配自然地完成目标的跟踪，实现了端到端的输出。