近日，国际人工智能顶会NeurIPS 2020于线上举办。今天，我们介绍的是旷视研究院入选NeurIPS 2020的工作之一，将聚焦于图像检测和分割方法，与大家一同探讨。

旷视研究院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。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，还提供了高效的GPU实现和PyTorch代码，只需要两行代码即可使用。

传统长距离关系建模方法

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）

建模高阶关系的树形特征变换器

为了解决这个问题，旷视研究院提出了一个工作叫Learnable Tree Filter（原文指路：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，因此能够很好的将两者区分开，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（GPU上实际效率也很高，具体请参考下文）。

• 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

我们可以将learnable tree filter打包成了一个可微的即插即用的模块，它可以被很方便地用在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的高阶关系，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

• 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，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。

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，我们看下实际的运行效果。

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

如图7，我们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，我们这里给出了定量的结果，对于表1中的COCO数据集，我们的算法相对于其他方法，只需要用很少的资源就可以实现更高的性能。对于表2中，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。

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，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代码做了仔细地优化，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，这对于具有大量节点的应用，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我们的模块。

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。

• 论文题目：

Rethinking Learnable Tree Filter for Generic Feature Transform

• 论文下载：

https://arxiv.org/abs/2012.03482

• 代码开源：

https://github.com/StevenGrove/LearnableTreeFilterV2

https://github.com/Megvii-BaseDetection/TreeFilter-Torch

欢迎大家关注旷视研究院，一起聊聊技术那些事儿~