论文	https://arxiv.org/pdf/2211.06220.pdf
Code	https://github.com/SHI-Labs/OneFormer

1. Motivation

• 通用图像分割并不是本文所提出的一个概念。远有UperNet，近有Mask2Former、K-Net，这些网络也都是作为一种通用分割架构被提出。
• 但是，本文认为，这些网络对于语义分割、实例分割、全景分割三种虽然可以做到模型结构的统一，但是还是需要特定任务单独训练得到各自专用的模型，作者将这一类模型称之为semi-universal。
• 本文提出的OneFormer不仅模型结构统一，同时，语义分割、实例分割、全景分割只需要在全景分割数据集训练一遍，据可以得到一个三种任务通用的模型用于推理，达到真正意义上的universal。

2. 方法

2.1 与Mask2Former的相同之处

先不看（b）模块中与文本相关的内容，OneFormer的其余部分模型结构与Mask2Former基本一致：

1. Backbone：使用ImageNet预训练的网络编码多尺度特征；
2. Pixel Decoder：使用Multi-Scale Deformable Transformer (MSDeformAttn) 建模多尺度上下文特征；
3. Transformer Decoder：使用{1/8、1/16、1/32}三个分辨率的特征图对object query进行更新，李勇的主要结构是cross attention、self attention、FFN；
4. 利用更新后的object query预测(K+1)个类别；
5. 利用更新后的object query和1/4特征图点积给每个query生成对应的binary mask；

2.2 OneFormer创新之处

相比于Mask2Former，OneFormer的创新点或者说不同之处有以下几点：

1. Task Conditioned Joint Training：为了将语义分割、实例分割、全景分割三个任务在一个统一的架构中进行统一训练，需要引入特定任务的任务提示词。
2. Query Representations：除了Mask2Former这一类方法中的用到的object query，为方便理解称之为visual query，本文提出了text query，语义分割、实例分割、全景分割都有各自对应的不同的text query。
3. Task Guided Contrastive Queries：计算visual query和text query之间的对比损失，因为不同任务的text query是不同的，这样做就可以使得不同任务训练得到的visual query能够具有区分度；

2.3 Task Conditioned Joint Training

• 首先，对于每种任务，使用the task is { }来构造任务提示词 $I_{task}$ ，该提示词随后会经过Tokenize和Embedding以及MLP，得到task-token $Q_{task}$ 。
• 此外，如下图所示，对于每种任务，统计其中出现的各类thing或者stuff的数目，采用a photo with a {CLS}这样的短语构造 $T_{list}$ 序列,。为了使得batch内部的文本长度对齐，需要使用a/an {task} photo这样的短语进行padding，代表no-object，padding后的结果是 $T_{pad}$。

2.4 Query Representations

Query Representations部分主要介绍text query $Q_{text}$ 和object query $Q$是如何构造和初始化的：

• $Q_{text}$：将 $T_{pad}$ 进行 Tokenize 以及Embedding，随后采用6层transformer encoder得到 $N_{text}$个Embedding。然后，将 $N_{ctx}$个可学习的Embedding和$N_{text}$个embedding连接起来，最终得到 $N$ 个text query $Q_{text}$。
  

• $Q$：首先，将 $Q_{task}$ 复制 $N-1$ 次，的到初始化后的object query $Q^{\prime }$，然后，使用1/4特征图对 $Q^{\prime }$ 进行更新（使用2层transformer），最后，将 $Q_{task}$ 和 $Q^{\prime }$ 连接得到 $N$ 个object query $Q$。

2.4 Task Guided Contrastive Queries

将语义分割、实例分割、全景分割统一在同一个模型中的关键挑战在于，怎么为每个任务生成任务特定的object query，那么，该如何让每种任务的object query之间彼此区分呢？

本文的解决方案是，计算text query $Q_{text}$ 和object query $Q$ 之间的对比损失，因为$Q_{text}$是从特定任务的GT中通过统计thing和stuff的数量得到的，所以不同任务的$Q_{text}$之间是彼此区分的，那么只需要将 $Q$ 和$Q_{text}$ 对齐。

所采用的对比损失如下：

$B$ 是一个batch内部的object-text pairs.

3. 实验

3.1 BenchMarks

3.2 Ablation Studies

3.3 超参数实验