参考代码：vps

1. 概述

导读：文章的这篇文章整合了全景分割（实例分割+语义分割）和视频分割算法，从而得到在视频场景下的全景分割算法。其算法是构建在Mask RCNN/ MaskTrack RCNN/ UPSNet的基础之上，但是在这个基础之上文章还强调了视频时序中信息的萃取（spatial-temporal attention），从而增加了视频中实例的分割性能鲁棒性（也就是文章中提到的pixel level fusion）。针对文章的任务，作者在全景分割的基础上提出了视频场景下的性能评价指标VPQ（video panoptic quality）。此外，还提供了两个视频全景分割的数据集VIPER和Cityscapes-VPS。

与一般的视频分割/跟踪方法一致，给定一帧参考帧，之后在后续的帧上建立与第一帧的关系，在这个过程中文章使用了基于光流的特征图对齐/spatial attention block/实例相似性矩阵方法，构建了一个较为鲁棒的视频全景分割算法，该算法在文章给出的两个数据集上的表现见下图所示：

视频全景分割评价指标（VPQ）：
对于一个给定的视频段： I t : t + k = { I t , I t + 1 , … , I t + k } I^{t:t+k}=\{I^t,I^{t+1},\dots,I^{t+k}\} It:t+k={It,It+1,…,It+k}（其中的参数$k$是在视频序列上的滑动窗口），其中一帧对应的分割结果描述为： U ^ ( c i , z i ) = { s ^ t , s ^ t + 1 , … , s ^ t + k } \hat{U}(c_i,z_i)=\{\hat{s}^t,\hat{s}^{t+1},\dots,\hat{s}^{t+k}\} U^(ci​,zi​)={s^t,s^t+1,…,s^t+k}。其中，$c_i$代表的是语义分割的类别，$z_i$代表的是在该语义分割类别的基础上各个实例的索引值。那么整个序列的分割预测结果描述为${\hat{U}}^{t:t+k}$，真实的标注描述为$U^{t:t+k}$。

在进行性能度量计算之前，文章定义了正样本为 T P = { ( u , u ^ ) ∈ U ∗ U ^ : I o U ( u , u ^ ) > 0.5 } TP=\{(u,\hat{u})\in U*\hat{U}:IoU(u,\hat{u})\gt 0.5\} TP={(u,u^)∈U∗U^:IoU(u,u^)>0.5}，对应的FP和FN以此类推。在窗口序列 { t : t + k } \{t:t+k\} {t:t+k}上，文章还引入了stride参数$\lambda$（也就是在这个窗口里面还要进行跳跃采样。则文章将性能的度量描述为：
$$VP{Q}^k=\frac{1}{N_{classes}}\sum _c\frac{{\sum }_{(u,\hat{u})\in T{P}_c}IoU(u,\hat{u})}{|T{P}_c|+\frac{1}{2}|FP{|}_c+\frac{1}{2}|FN{|}_c}$$
对于上面提到的滑动窗口的取值，文章在实际中将其设置为 { 0 , 5 , 10 , 15 } \{0,5,10,15\} {0,5,10,15}，在其为0的时候就等价于单张图像的全景分割。则经过不同大小的滑动窗口其最后的性能度量描述为：
$$VPQ=\frac{1}{K}\sum _{k}VP{Q}^k,K=4$$
不同K值对性能的影响：

其计算的过程可见下图的描述：

视频全景分割数据集：
文章将其提供的视频全景数据集与其它数据集进行比较，见下表所示：

2. 方法设计

2.1 网络结构

文章的整体pipeline见下图所示：

整体上看为了引入更多视频序列的信息，文章使用了多帧的的特征（并没有像VIS那篇文章里面只是使用了instance的特征），其该pipeline中最为关键的是两个模块：

• 1）pixel-wise：其中的Spatial temporal attention模块，它实现的是pixel-wise的fusion操作，起到特征聚合和增强的作用；
• 2）object-wise：instance track（instance相似性度量）模块，起到匹配不同instance的作用，建立起instance之间的关系；

最后文章参考UPSNet的方法引入了该方法中的panoptic预测头，从而得到最后的全景分割结果。

2.2 关键子模块

特征抽取网络部分：
这部分是一般意义上的backbone+FPN的结构，但是对其中的FPN网络使用了Libra-RCNN中的特征增强，也就是先聚合之后经过残差连接（与聚合之前的对应层）redistributed进行输出，其聚合部分（gather）的实现为：

# source: mmdet/models/extra_necks/bfp_tcea.py:96
# inputs: FPN不同层级的输出
def gather(self, inputs):
    # gather multi-level features by resize and average
    feats = []
    gather_size = inputs[self.refine_level].size()[2:]
    for i in range(self.num_levels):
        if i < self.refine_level:
            gathered = F.adaptive_max_pool2d(
                inputs[i], output_size=gather_size)
        else:
            gathered = F.interpolate(
                inputs[i], size=gather_size, mode='nearest')
        feats.append(gathered)
    bsf = sum(feats) / len(feats)
    return bsf

中间会经过文章的spatial-temporal attention模块进行特征增强，之后在进行redistributed，这部分的实现为：

# source: mmdet/models/extra_necks/bfp_tcea.py:142
# Scatter refined features to multi-levels by residual path
outs = []
for i in range(self.num_levels):
    out_size = inputs[i].size()[2:]
    if i < self.refine_level:
        residual = F.interpolate(bsf, size=out_size, mode='nearest')
    else:
        residual = F.adaptive_max_pool2d(bsf, output_size=out_size)
    outs.append(residual + inputs[i])

pixel-wise fusion部分：
这里是将参考帧的特征和当前帧的特征进行聚合和增强，从而提升网络的判别能力。对于输入的参考帧和当前帧特征经过上述过程的聚合，之后使用光流方法，将参考帧的特征按照光流信息转换到当前帧下，从而实现特征的对齐。其对应的代码实现为：

# source: mmdet/models/extra_necks/bfp_tcea.py:116
bsf = self.gather(inputs)  # 当前帧特征图上gather
ref_bsf = self.gather(ref_inputs)  # 参考帧特征图上gather
B,C,H,W = bsf.size()

# 通过估计的光流信息，使用光流作为变换指引实现参考帧到当前帧的对齐
warp_bsf = self.flow_warping(ref_bsf, flow_init)
flow_fine = self.liteflownet(bsf, warp_bsf, flow_init)
warp_bsf = self.flow_warping(warp_bsf, flow_fine)

对齐之后的特征会进行spatial-temporal上的增强，其实现为：

# source: mmdet/models/extra_necks/bfp_tcea.py:134
# 使用temporal-spatial attention优化特征
bsf = self.tcea_fusion(bsf_stack)  # B,2,C,H,W -> B,1,C,H,W

上面的实现是分为temporal和spatial上进行的：

# source: mmdet/models/utils/tcea_modules.py:50
def forward(self, aligned_fea):
    B, N, C, H, W = aligned_fea.size()  # N video frames
    #### temporal attention
    emb_ref = self.tAtt_2(aligned_fea[:, self.center, :, :, :].clone())
    emb = self.tAtt_1(aligned_fea.view(-1, C, H, W)).view(B, N, -1, H, W)  # [B, N, C(nf), H, W]
    cor_l = []
    for i in range(N):
        emb_nbr = emb[:, i, :, :, :]
        cor_tmp = torch.sum(emb_nbr * emb_ref, 1).unsqueeze(1)  # B,1,1,H,W --> B, 1, H, W
        cor_l.append(cor_tmp)
    cor_prob = torch.sigmoid(torch.cat(cor_l, dim=1))  # B, N, H, W
    cor_prob = cor_prob.unsqueeze(2).repeat(1, 1, C, 1, 1).view(B, -1, H, W)
    aligned_fea = aligned_fea.view(B, -1, H, W) * cor_prob
    #### fusion
    fea = self.lrelu(self.fea_fusion(aligned_fea))

    #### spatial attention
    att = self.lrelu(self.sAtt_1(aligned_fea))
    att_max = self.maxpool(att)
    att_avg = self.avgpool(att)
    att = self.lrelu(self.sAtt_2(torch.cat([att_max, att_avg], dim=1)))
    att = self.lrelu(self.sAtt_3(att))
    att = F.interpolate(att, scale_factor=2, mode='bilinear', align_corners=False)
    att = self.sAtt_4(att)
    att_add = self.sAtt_add_2(self.lrelu(self.sAtt_add_1(att)))
    att = torch.sigmoid(att)

    fea = fea * att * 2 + att_add
    return fea

增强之后的特征便使用上述提到的redistributed操作进行特征分层。

object-wise跟踪：
这部分是将参考帧与当前帧之间的object相关联起来，可以看作是做了一次ReID。该方法来自于MaskTrack RCNN，构建一个$m\ast n$的相似性矩阵，从而将当前帧的object： { r 1 , r 2 , … , r n } t \{r_1,r_2,\dots,r_n\}_t {r1​,r2​,…,rn​}t​和参考帧object： { r 1 , r 2 , … , r m } t − τ \{r_1,r_2,\dots,r_m\}_{t-\tau} {r1​,r2​,…,rm​}t−τ​，对于每一个object pair { r i , t , r j , t − τ } \{r_{i,t},r_{j,t-\tau}\} {ri,t​,rj,t−τ​}其经过共享参数的全连接层编码之后得到对应的特征对 { e i , t , e j , t − τ } \{e_{i,t},e_{j,t-\tau}\} {ei,t​,ej,t−τ​}，在文章中对于这两个特征之间的距离描述为：
$$A_{i,j}=cosine(e_{i,t},e_{j,t-\tau })$$
参与跟踪的特征由于是通过spatial-temporal attention进行特征增强，因而其不仅引入了时许信息，而且变得更加具有区分能力。这部分在训练的时候并没有参与到最后panoptic map的生成，只是在inference的时候参与对应object的关联。

总结上文提到的光流Align/spatial-temporal attention/ 两者fusion/ track对网络性能带来的影响：

3. 实验结果

文章方法与其它全景分割算法的性能对比：