Group ViT（Semantic Segmentation Emerges from Text Supervision）CVPR2022
来自文本的监督信号，并不依赖于Segmentation mask的手工标注。而是像CLIP一样利用图像文本对使用对比学习的方式进行无监督的训练。
视觉方面做分割，grouping是一种常用的方法。如果有一些聚类的中心点，从这些中心点开始发散，把周围相似的点逐渐扩散成一个group，那这个group即相当于一个Segmentation mask。
让模型在最初的时候能将周围相邻相似的像素点group起来，变成Segmentation mask。Group ViT的贡献就是在也有的ViT模型中加入Grouping Block，同时加入了可学习的Group Tokens。
图像编码器就是一个ViT，12层Transformer Layers。输入有两个部分，一个是来自原始图像的Patch Embedding，另外一个是可学习的Group Tokens。假设输入图像为224*224@3，每个patch的大小为16×16，得到14×14个196个长为384（196×384）的序列。（384对应ViT-small，特征维度384）。另外一个输入Group Tokens初始设为64×384，64可以理解为64个聚类中心，代表每张图片有64个类别。6层Transformer Layers交汇之后认为Group Tokens学的已经差不多了，聚类中心也学的不错了，加入一个Grouping Block聚类一下，合并称为更大的Group，学到一些更有语义的信息。利用Grouping Block将图像（Patch Embedding）上的直接assign到64个Group Tokens上。相当于做了一次聚类的分配。
Grouping Block先用类似自注意力的方式算了一下相似度矩阵，然后利用相似度矩阵帮助聚类中心的分配，并将196×684降维到64×384。聚类中心分配过程不可导，利用gumbel softmax将该过程变成可导的。第二阶段使用8个Group Tokens将相似的类别进一步合并，将64个Group合并为8个Group。目前图像被分成了8大块，每个块代表一个类别的特征。然后与CLIP一致，通过图像文本对算一个对比学习的loss，然后训练。CLIP中，一个文本对应一张图像的特征，很容易算一个对比学习的loss。但是现在文本端为一个特征，图像端则为8×384的8个特征，无法与文本特征匹配。作者使用了Avg Pooling的方式。得到一个1×384的特征，这样文本特征和图像特征就可以匹配起来了。
接下来看模型如果做zero-shot的推理过程。文本和图像分别经过各自的编码器得到文本特征和图像特征，然后计算相似度，得到最匹配的图像文本对。局限性在于最后的聚类中心（Group Tokens）只有8类，从一张图像中最多分割出八个目标。
作者也做了消融实验，发现64-8的组合效果最好。
每个阶段可视化如图所示，第一阶段中Group5的类别为眼睛，图中确实可以将不同生物眼睛很好的分割出来。第二阶段对应大的目标区域，第三行第二阶段Group6对应类别草地，草地也被较好的分割出来。Grouping Token起到了聚类中心的作用，用Grouping这种思想完成无监督的分割。
与baselin方法比起来确实有提升，第一个用文本做监督信号的工作。还可以做zero-shot 的推理。但是对于有监督的模型如DeepLabV3plus已经达到了87左右的mlou，高了30多个点。
未来工作，一是没有使用dense prediction的特性，如空洞卷积、金字塔池化以及U-Net的结构，从而获取更多的上下文信息和多尺度信息。另一方面是推理过程中，作者设定了相似度阈值0.9，对于相似度小于0.9的阈值，则认为是背景类。
论文链接：http://arxiv.org/abs/2202.11094
参考：CLIP 改进工作串讲（上）【论文精读】_哔哩哔哩_bilibili
