论文笔记：Dynamic Multimodal Instance Segmentation Guided by Natural Language Queries

Dynamic Multimodal Instance Segmentation Guided by Natural Language Queries
2018-09-18 09:58:50

Paper：http://openaccess.thecvf.com/content_ECCV_2018/papers/Edgar_Margffoy-Tuay_Dynamic_Multimodal_Instance_ECCV_2018_paper.pdf

GitHub：https://github.com/BCV-Uniandes/query-objseg (PyTorch)

Related paper:

1. Recurrent Multimodal Interaction for Referring Image Segmentation ICCV 2017

　　Code: https://github.com/chenxi116/TF-phrasecut-public (Tensorflow)

2. Segmentation from Natural Language Expressions　　ECCV 2016

本文就是在给定 language 后，从图像中分割出所对应的目标物体。所设计的 model，如下所示：

1. Visual Module (VM) ：

　　本文采用 Dual Path Network 92 (DPN92) 来提取 visual feature；

2. Language Module (LM)：

本文采用的是 sru，一种新型的快速的 sequential 网络结构。sru 定义为：

我们把  embedding 以及 hidden state 进行 concatenate，然后得到文本中每一个单词的表达，即： r_t. 有了这个之后，我们基于 rt 来计算一系列的 动态滤波 f_k,t，定义为：

这样，我们可以根据文本 w，就可以得到 文本的特征表达以及对应的动态滤波，即：

3. Synthesis Module (SM)：

SM 是我们框架的核心，用于融合多个模态的信息。如图5所示，我们首先将 I_N 以及 空间位置的表达，进行 concatenate，然后用 dynamic filter 对这个结果进行卷积，得到一个响应图，RESP，由 K 个 channel 组成。下一步，我们将 I_N，LOC，以及 F_t 沿着 channel dimension 进行 concatenate，得到一个表达 I’。最终，我们用 1*1 的卷积来融合所有的信息，每一个时间步骤，我们有一个输出，即作为 M_t，最终，表达为：

下一步，我们用 mSRU 来产生一个 3D 的 tensor。

4. Upsampling Module (UM) :

最终，我们采用 上采样的方式，得到最终分割的 map 结果。

===== 几点疑问：

1. 作者将 spatial LOC 的信息也结合到网络中？

The same operation can also be found from the reference papers: 

1. Segmentation from Natural Language Expressions ECCV 2016

2.  Recurrent Multimodal Interaction for Referring Image Segmentation ICCV 2017

　　In the paper "Segmentation from Natural Language Expressions", I find the following parts to explain why we should use  the spatial location information and concatenate with image feature maps.

2. Run the code successfully. 

 wangxiao@AHU:/DMS$ python3 -u -m dmn_pytorch.train --backend dpn92 --num-filters 10 --lang-layers 3 --mix-we --accum-iters 1
 /usr/local/lib/python3.6/site-packages/torch/utils/cpp_extension.py:118: UserWarning: 

                                !! WARNING !!

 !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
 Your compiler (c++) may be ABI-incompatible with PyTorch!
 Please use a compiler that is ABI-compatible with GCC 4.9 and above.
 See https://gcc.gnu.org/onlinedocs/libstdc++/manual/abi.html.

 See https://gist.github.com/goldsborough/d466f43e8ffc948ff92de7486c5216d6
 for instructions on how to install GCC 4.9 or higher.
 !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!

                               !! WARNING !!

   warnings.warn(ABI_INCOMPATIBILITY_WARNING.format(compiler))
 Argument list to program
 --data /DMS/referit_data
 --split_root /DMS/referit_data/referit/splits/referit
 --save_folder weights/
 --snapshot weights/qseg_weights.pth
 --num_workers 2
 --dataset unc
 --split train
 --val None
 --eval_first False
 --workers 4
 --no_cuda False
 --log_interval 200
 --backup_iters 10000
 --batch_size 1
 --epochs 40
 --lr 1e-05
 --patience 2
 --seed 1111
 --iou_loss False
 --start_epoch 1
 --optim_snapshot weights/qsegnet_optim.pth
 --accum_iters 1
 --pin_memory False
 --size 512
 --time -1
 --emb_size 1000
 --hid_size 1000
 --vis_size 2688
 --num_filters 10
 --mixed_size 1000
 --hid_mixed_size 1005
 --lang_layers 3
 --mixed_layers 3
 --backend dpn92
 --mix_we True
 --lstm False
 --high_res False
 --upsamp_mode bilinear
 --upsamp_size 3
 --upsamp_amplification 32
 --dmn_freeze False
 --visdom None
 --env DMN-train

 Processing unc: train set
 loading dataset refcoco into memory...
 creating index...
 index created.
 DONE (t=5.78s)
 Saving dataset corpus dictionary...
 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 42404/42404 [10:18<00:00, 68.56it/s]
 Processing unc: val set
 loading dataset refcoco into memory...
 creating index...
 index created.
 DONE (t=21.52s)
 100%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 3811/3811 [00:53<00:00, 71.45it/s]
 Processing unc: trainval set
 loading dataset refcoco into memory...
 creating index...
 index created.
 DONE (t=4.97s)
 0it [00:00, ?it/s]
 Processing unc: testA set
 loading dataset refcoco into memory...
 creating index...
 index created.
 DONE (t=5.24s)
 100%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 1975/1975 [00:27<00:00, 72.62it/s]
 Processing unc: testB set
 loading dataset refcoco into memory...
 creating index...
 index created.
 DONE (t=5.06s)
 100%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 1810/1810 [00:31<00:00, 57.91it/s]
 Train begins...
 [ 1] ( 0/120624) | ms/batch 456.690311 | loss 3.530792 | lr 0.0000100
 [ 1] ( 200/120624) | ms/batch 273.972313 | loss 1.487153 | lr 0.0000100
 [ 1] ( 400/120624) | ms/batch 257.813077 | loss 1.036689 | lr 0.0000100
 [ 1] ( 600/120624) | ms/batch 251.565860 | loss 1.047311 | lr 0.0000100
 [ 1] ( 800/120624) | ms/batch 249.070073 | loss 1.657688 | lr 0.0000100
 [ 1] ( 1000/120624) | ms/batch 246.906650 | loss 1.815347 | lr 0.0000100
 [ 1] ( 1200/120624) | ms/batch 245.645234 | loss 2.601908 | lr 0.0000100
 [ 1] ( 1400/120624) | ms/batch 245.039105 | loss 1.495383 | lr 0.0000100
 [ 1] ( 1600/120624) | ms/batch 244.460579 | loss 1.441855 | lr 0.0000100