TLDR：視頻分割一直是重標(biāo)注的一個 task，這篇 CVPR 2023 文章研究了完全不需要標(biāo)注的視頻物體分割。僅使用 ResNet，RCF模型在 DAVIS16/STv2/FBMS59 上提升了 7/9/5%。文章里還提出了不需要標(biāo)注的調(diào)參方法。代碼已公開可用。

? ? ?論文標(biāo)題:Bootstrapping Objectness from Videos by Relaxed Common Fate and Visual Grouping

論文鏈接:

https://arxiv.org/abs/2304.08025

作者機構(gòu)：

UC Berkeley, MSRA, UMich

分割效果視頻：

https://people.eecs.berkeley.edu/~longlian/RCF_video.html

項目主頁:

https://rcf-video.github.io/

代碼鏈接:

https://github.com/TonyLianLong/RCF-UnsupVideoSeg

視頻物體分割真的可以不需要人類監(jiān)督嗎？

視頻分割一直是重標(biāo)注的一個 task，可是要標(biāo)出每一幀上的物體是非常耗時費力的。然而人類可以輕松地分割移動的物體，而不需要知道它們是什么類別。為什么呢？

Gestalt 定律嘗試解釋人類是怎么分割一個場景的，其中有一條定律叫做 Common Fate，即移動速度相同的物體屬于同一類別。比如一個箱子從左邊被拖到右邊，箱子上的點是均勻運動的，人就會把這個部分給分割出來理解。然而人并不需要理解這是個箱子來做這個事情，而且就算是嬰兒之前沒有見過箱子也能知道這是一個物體。

運用Common Fate來分割視頻

這個定律啟發(fā)了基于運動的無監(jiān)督分割。然而，Common Fate 并不是物體性質(zhì)的可靠指標(biāo)：關(guān)節(jié)可動（articulated）/可變形物體（deformable objects）的一些 part 可能不以相同速度移動，而物體的陰影/反射（shadows/reflections）始終隨物體移動，但并非其組成部分。

舉個例子，下面這個人的腿和身子的運動是不同的（Optical Flow 可視化出來顏色不同）。這很常見，畢竟人有關(guān)節(jié)嘛（articulated），要是這個處理不了的話，很多視頻都不能分割了。然而很多 baseline 是處理不了這點的（例如 AMD+ 和 OCLR），他們把人分割成了幾個部分。

還有就是影子和反射，比如上面這只天鵝，它的倒影跟它的運動是一致的（Optical Flow 可視化顏色一樣），所以之前的方法認為天鵝跟倒影是一個物體。很多視頻里是有這類現(xiàn)象的（畢竟大太陽下物體都有個影子嘛），如果這個處理不了的話，很多視頻也不能分割了。

那怎么解決？放松。Relax.

長話短說，那我們的方法是怎么解決這個問題的呢？無監(jiān)督學(xué)習(xí)的一個特性是利用神經(jīng)網(wǎng)絡(luò)自己內(nèi)部的泛化和擬合能力進行學(xué)習(xí)。既然 Common Fate 有自己的問題，那么我們沒有必要強制神經(jīng)網(wǎng)絡(luò)去擬合 Common Fate。于是我們提出了 Relaxed Common Fate，通過一個比較弱的學(xué)習(xí)方式讓神經(jīng)網(wǎng)絡(luò)真正學(xué)到物體的特性而不是 noise。

具體來說，我們的方法認為物體運動由兩部分組成：物體總體的 piecewise-constant motion （也就是 Common Fate）和物體內(nèi)部的 segment motion。比如你看下圖這個舞者，他全身的運動就可以被理解成 piecewise-constant motion 來建模，手部腿部這些運動就可以作為 residual motion 進行擬合，最后合并成一個完整的 flow，跟 RAFT 生成的 flow 進行比較來算 loss。我們用的 RAFT 是用合成數(shù)據(jù)（FlyingChairs 和 FlyingThings）進行訓(xùn)練的，不需要人工標(biāo)注。

Relaxed Common Fate

首先我們使用一個 backbone 來進行特征提取，然后通過一個簡單的 full-convolutional network 獲得 Predicted Masks （下圖里的下半部分），和一般的分割框架是一樣的，也可以切換成別的框架。 那我們怎么優(yōu)化這些 Masks 呢？我們先提取、合并兩幀的特征，放入一個 residual flow prediction head 來獲得 Residual Flow （下圖里的上半部分）。 然后我們對 RAFT 獲得的 Flow 用 Predicted Masks 進行 Guided Pooling，獲得一個 piecewise-constant flow，再加上預(yù)測的 residual flow，就是我們的 flow prediction 了。最后把 flow prediction 和 RAFT 獲得的 Flow 的差算一個 L1 norm Loss 進行優(yōu)化，以此來學(xué)習(xí) segmentation。 在測試的時候，只有 Predicted Masks 是有用的，其他部分是不用的。 ?

這里的 Residual Flow 會盡量初始化得小一些，來鼓勵先學(xué) piecewise-constant 的部分（有點類似 ControlNet），再慢慢學(xué)習(xí) residual 部分。

引入Appearance信息來幫助無監(jiān)督視頻分割

光是 Relaxed Common Fate 就能在 DAVIS 上相對 baseline 提 5%了，但這還不夠。前面說 Relaxed Common Fate 的只用了 motion 而沒有使用 appearance 信息。

讓我們再次回到上面這個例子。這個舞者的手和身子是一個顏色，然而 AMD+ 直接把舞者的手忽略了。下面這只天鵝和倒影明明在 appearance 上差別這么大，卻在 motion 上沒什么差別。如果整合 appearance 和 motion，是不是能提升分割質(zhì)量呢？

因此我們引入了 Appearance 來進行進一步的監(jiān)督。在學(xué)習(xí)完 motion 信息之后，我們直接把取得的 Mask 進行兩步優(yōu)化：一個是 low-level 的 CRF refinement，強調(diào)顏色等細節(jié)一致的地方應(yīng)該屬于同一個 mask（或背景），一個是 semantic constraint，強調(diào) Unsupervised Feature 一直的地方應(yīng)該屬于同一個 mask。

把優(yōu)化完的 mask 再和原 mask 進行比較，計算 L2 Loss，再更新神經(jīng)網(wǎng)絡(luò)。這樣訓(xùn)練的模型的無監(jiān)督分割能力可以進一步提升。具體細節(jié)歡迎閱讀原文。

無監(jiān)督調(diào)參

很多無監(jiān)督方法都需要使用有標(biāo)注的數(shù)據(jù)集來調(diào)參，而我們的方法提出可以利用前面說的 motion 和 appearance 的一致性來進行調(diào)參。簡單地說，motion 學(xué)習(xí)出的 mask 在 appearance 上不一致代表這個參數(shù)可能不是最優(yōu)的。具體方法是在 Unsupervised Feature 上計算 Normalized Cuts （但是不用算出最優(yōu)值），Normalized Cuts 越小越代表分割效果好。原文里面對此有詳細描述。

方法效果

無論是否有 Post-processing，我們的方法在三個視頻分割數(shù)據(jù)集上都有很大提升，在 STv2 上更是提升了 12%。

Ablation 可以看出 Residual pathway （Relaxed Common Fate）的貢獻是最大的，其他部分總計貢獻了 11.9% 的增長。

Visualizations

總結(jié)

這篇 CVPR 2023 文章研究了完全不需要標(biāo)注的視頻物體分割。通過 Relaxed Common Fate 來利用 motion 信息，再通過改進和利用 appearance 信息來進一步優(yōu)化，RCF 模型在 DAVIS16/STv2/FBMS59 上提升了 7/9/5%。文章里還提出了不需要標(biāo)注的調(diào)參方法。代碼和模型已公開可用。