CAT-Seg(Cost AggregaTion approach for open-vocabulary semantic Segmentation)

Abstraction

• CVPR 2024 accepted
• https://ku-cvlab.github.io/CAT-Seg/
• semantic segmentation SOTA
• CLIP based architecture에 spatial aggregation과 class aggregation 더하여 성능 향상

 

 

 

Motivation

• open-vocabulary semantic segmentation은 image 안의 각 pixel을 text description의 class로 categorize하는 task이다.
• 최근 방법은 class-agnostic한 region proposal을 만든 뒤 CLIP encoder에 넣는 방식이었다.
  • training dataset의 bias를 반영하고,
  • global context를 반영하지 못한다는 문제가 있다.

Figure 1. Overall architecture

따라서 본 논문에서는 pretrained CLIP의 transfer와 fine-tune을 통해 pixel-level prediction task를 가능하게 하고자 한다. 

 

다만 fine-tune을 할 경우 CLIP의 open-vocabulary 성능이 저하됨이 알려져 있다. 

 

CLIP에서는 cost volume이 loss computation에 사용되는데, 이것을 이용하여 image-text matching cost가 image-text pair의 relation을 explicit하게 바년할 수 있도록 한다. 

 

Figure 2. Comparison between feature and cost aggregation

 

Figure 2를 보면 open-vocabulary capacity가 떨어지지 않았음을 확인할 수 있다. 

 

CAT-Seg는 세 개의 component로 구성된다.

1. image와 text embedding의 cost volume
2. spatial and cost aggregation을 위한 Transformer based module
3. decoder

 

 

Method

Overall Architecture

Figure 4. Overall Architecture of CAT-Seg.

 

$N_C$는 class의 개수이다. $d_F$는 cost embedding dimension이다. 

 

 

Cost Compuation and Embedding

cost는 CLIP 처럼 cosine similarity로 계산한다. image encoder ${\mathrm{\Phi }}^V(\cdot )$과 text encoder ${\mathrm{\Phi }}^L(\cdot )$을 이용해서 dense image feature $D^V={\mathrm{\Phi }}^V(I)$와 text feature $D^L={\mathrm{\Phi }}^L(T)$를 계산한다.

 

이후 $i$ position의 $D^V(i)$와 n번째 class인 $D^L(n)$에 대해서 cosine similarity를 계산한다:

Equation 1. Cosine Similarity.

 

 

 

Cost Aggregation

spatial aggregation과 class aggregation의 두 종류 aggregation을 $N_B$차례 수행한다. 

 

• Spatial aggregation

Equation 2. Spatial aggregation.

Equation 2는 Swin Transformer에서의 두 consecutive block 간 관계를 의미한다. $F(:,n)\in {\mathbb{R}}^{(H\times W)\times d_F}$

 

Swin Transformer로 shifted window에서 self-attention을 수행한다. attention은 class 별로 수행된다. 

 

 

• Class aggregation

class 간의 relation을 capture하기 위해서 다른 class 간 aggregation이 수행된다. 

 

이 경우 class 개수 $C$가 정해져 있지 않고, 그 사이 순서가 없다는 문제가 있다. 이를 위해 positional embedding을 제거하여 Transformer의 permutation invariant한 특성을 이용했다. 

 

Equation 3. Class aggregation.

 

$F^{\prime }(i,:)\in {\mathbb{R}}^{N_C\times d_F}$이고, $T^{ca}(\cdot )$는 linear transformer로 구성된 class aggregation block을 의미한다. 

 

 

 

• Embedding guidance

저기에 더해서 추가적인 information을 주기 위해서 CLIP text encoder와 추가 image encoder를 사용하여 feature를 얻은 뒤 linear projection한 값을 concatenate해서 사용했다. 

 

Figure 4. modified Eq.2 and Eq.3.

이때 CLIP image encoder를 사용하지 않았는데, 직접 utilize할 경우 성능이 저하될 수 있기 때문이다. 

 

 

 

Upsampling Decoder

interpolation 방법인 bilinear upsampling을 하고, 이를 feature map에 concat한 뒤 convolution layer를 통과한다. 이 process를 $N_U$번 반복하여 high-resolution segmentation mask를 얻는다. 

 

 

 

 

 

Results

Table 1. Quantitative evaluation.

ADE20K dataset과 PASCAL VOC, PASCAL-Context dataset에 대해서 mIOU를 baseline에 대해서 측정하였다. 각 dataset 뒤의 숫자는 class 개수이다. 

 

Figure 6. Qualitative Results.

 

 

Ablation Study

Table 2. Ablation study for CAT-Seg.

 

 

 

 

---

References

[1] Cho, S., Shin, H., Hong, S., An, S., Lee, S., Arnab, A., ... & Kim, S. (2023). CAT-Seg: Cost Aggregation for Open-Vocabulary Semantic Segmentation. arXiv preprint arXiv:2303.11797.

Footnotes