CVPR2022《Cascade Transformers for End-to-End Person Search》

论文链接：https://arxiv.org/pdf/2203.09642.pdf
代码链接：https://github.com/Kitware/COAT

1. 挑战

已有的工作面临着三个主要挑战：

• 在特征学习方面，人脸检测和ReID之间存在着冲突。人检测的目的是学习在人群中泛化的特征，以将人与背景区分开，而ReID的目的是学习在人群中不泛化但能将人彼此区分开来的特征。
• 显著的尺度或姿态变化增加了身份识别的难度。简单的特征融合策略可能会在特征嵌入中引入额外的背景噪声，导致ReID性能较差
• 背景目标或其他人的遮挡会使外观表现更加模糊。尽管基于anchor或者anchor-free来建模人整体外观的方法对行人的搜索精度有所提高，但复杂的遮挡容易导致搜索失败

2. 贡献

本文主要有以下两个贡献点：
1）作者提出了第一个基于级联Transformer的端到端行人搜索框架。渐进式设计有效地平衡了人的检测和ReID，而Transformer帮助注意比例和姿态/视角的变化。
2）在多尺度Transformer中，作者使用一种遮挡注意机制，在遮挡场景中生成具有鉴别性的细粒度人物表征，从而提高了性能。

3. 级联Transformers

正如前面提到的，人的检测和人的ReID有着相互冲突的目标。因此，很难在骨干网络顶部共同学习这两个子任务的判别统一表示。与级联的R-CNN相似，作者在多尺度Transformer的$T$阶段中将特征学习分解为顺序步骤。也就是说，Transformer中的每个头逐级细化预测对象的检测和ReID精度，即，可以逐步学习由粗到细的统一嵌入。然而，在被其他人、物体或背景遮挡的情况下，网络可能会遭受目标身份的噪声表示。为此，作者开发了多尺度Transformer中的遮挡注意机制，以学习遮挡鲁棒表示。如上图2所示，本文的网络是基于Faster R-CNN目标检测器主干与区域proposal网络(RPN)。然而，作者通过引入一个层叠的遮挡注意力transformers来扩展框架，该转换器以端到端方式进行训练。

3.1 Coarse-to-fine嵌入

从ResNet-50骨干中提取1024-dim stem特征映射后，作者使用RPN来生成区域proposals。对于每个proposals，应用RoI-Align操作将一个$h\times w$区域作为基本的特征图$\mathcal{F}$，其中$h$和$w$分别表示特征图的高度和宽度，$c$为通道数。
之后，作者采用多阶段级联结构学习嵌入的人检测和ReID。RPN的输出proposals在第一阶段用于对正实例和负实例进行重新采样。然后将第一阶段的box输出作为第二阶段的输入，以此类推。在每个阶段$t$，将每个proposal的合并特征图发送给该阶段的卷积transformers。为了获得高质量的实例，级联结构逐步施加更严格的阶段约束。在实际应用中，逐步增加交叉并集(IoU)阈值$u_t$。每个阶段的transformers后面有三个头，如NAE，包括一个人/背景分类器，一个box回归器和一个ReID鉴别器。注意，作者在第一阶段去掉了ReID鉴别器，以便在细化之前将网络集中于首先检测场景中的所有人。

3.2 遮挡Attention Transformer

这里将详细描述遮挡的注意Transformer，如图3所示。

1）Tokenization
给定基本特征图$\mathcal{F}\in {\mathbb{R}}^{h\times w\times c}$，对不同尺度下的Transformer输入进行token化。对于多尺度表示，作者首先将$\mathcal{F}$通道分割为$n$个切片，即$\bar{\mathcal{F}}\in {\mathbb{R}}^{h\times w\times \hat{c}}$，其中$\hat{c}=\frac{c}{n}$来处理每个尺度的token。与ViT对大图像patch进行标记化不同，这里的transformer利用一系列卷积层来基于切片特征映射$\bar{\mathcal{F}}$生成tokens。本文的方法受益于CNN的归纳偏差，并学习CNN的局部空间背景。不同的尺度由不同大小的卷积核实现。
通过一个卷积层将切片的特征映射$\bar{\mathcal{F}}\in {\mathbb{R}}^{h\times w\times \hat{c}}$转换为新的token映射$\hat{F}\in {\mathbb{R}}^{\hat{h}\times \hat{w}\times \hat{c}}$后，将其flatten为token输入$x\in {\mathbb{R}}^{\hat{h}\hat{w}\times \hat{c}}$。计算的token数为：

其中内核大小$k$，步幅$s$，卷积层的填充$p$，$d$是每个token的patch大小.

2）Occluded attention
为了处理遮挡，作者在Transformer中引入了一种新的token级遮挡注意机制来模拟真实应用中的遮挡。具体来说，首先从一个mini-batch中的所有检测proposals中收集token，记为token bank X = { x 1 , x 2 ， ⋅ ⋅ ⋅ ， x P } \textbf{X} = \{\textbf{x}_1, \textbf{x}_2，···，\textbf{x}_P \} X={x1​,x2​，⋅⋅⋅，xP​}，其中$P$为该批次中每个阶段的检测proposal个数。由于RPN中的proposal包含了正反两方面的例子，token bank由前景行人部分和背景目标。我们在token bank之间tokens，所有实例都基于相同的交换指数集$\mathcal{M}$。如上图3所示，交换的token对应于token映射中语义一致但随机选择的子区域。每个交换的token表示为：

其中${\text{x}}_j$表示从token bank中随机选择的另一个样本。$\bar{\mathcal{M}}$表示$\mathcal{M}$的互补集，即${\text{x}}_i={\text{x}}_i(\bar{\mathcal{M}})\bigcup {\text{x}}_i(\mathcal{M})$。假设交换token bank $\text{X}$，计算它们之间的多尺度自注意，如上图3所示。就token的每个scale而言，作者运行transformers的两个子层(即，多头自注意(MSA)和一个前馈网络(FFN))。具体来说，通过三个独立的全连接(FC)层将混合tokens $\text{x}$转换为query矩阵$\text{Q}\in {\mathbb{R}}^{\hat{h}\hat{w}\times \hat{c}}$，key矩阵$\text{K}\in {\mathbb{R}}^{\hat{h}\hat{w}\times \hat{c}}$和value矩阵$\text{V}\in {\mathbb{R}}^{\hat{h}\hat{w}\times \hat{c}}$。可以进一步计算多头注意力和所有值的加权和为：

我们将query、key和value分割成$m$个头，以获得更多的多样性，也就是说，从大小为$\hat{h}\hat{w}\times \hat{c}$的张量到大小为$\hat{h}\hat{w}\times \frac{\hat{c}}{m}$的$m$个块。然后将独立注意输出串接并线性转换为期望维数。在MSA模块之后，FFN模块对每个token进行非线性转换，以增强其表示能力。然后将增强的特性映射成大小为$\hat{h}\times \hat{w}\times \hat{c}$作为transformers的输出。
最后，作者将transformers的$n$个尺度输出连接成原始的空间尺寸$\hat{h}\times \hat{w}\times c$。注意，在每个Transformer外面有一个残差连接。经过GAP (global average pooling)层后，提取的特征被送入后续的头部进行box回归、人物/背景分类和人物再识别。

3）与concurrent works的相关性
不同领域有两种基于虚拟现实技术的并行工作，其中，Chen等人开发了一种多尺度变压器，包括两个独立的分支，带有small-patch和large-patch token。基于交叉注意token融合模块学习两尺度表示，其中每个分支的单个token被视为一个查询，以与其他分支交换信息。相反，本文作者利用一系列具有不同内核的卷积层来生成多尺度token。最后，作者连接增强的特征映射对应于transformer的特定切片的每个尺度。

为了处理person ReID中的遮挡和错位问题，He等人对人部分的patch embedding进行洗牌并重新组合，每一组包含多个随机的单个实例的patch embedding。与此相反，本文的方法首先在一个mini-batch中交换实例的partial tokens，然后基于混合token计算被遮挡的注意力。因此，最终的嵌入部分覆盖目标人，从不同的人或背景对象中提取特征，产生更强的遮挡鲁棒表示。

3.3 推理阶段

在推理阶段，作者通过删除上图3中的token mix-up步骤，将遮挡注意机制替换为Transformer中的经典自注意模块。在最后阶段输出具有相应嵌入的检测包围盒，并使用NMS操作去除冗余的包围盒。

4. 部分实验结果

主要在CUHK-SYSU库和PRW库这两个库上进行实验

4.1 SOTA方法性能对比

• 定量结果
  
  为了进行综合评估，如下图6所示，作者在增加图库大小时比较竞争方法的mAP分数。由于在gallery集合中考虑更多分散注意力的人具有挑战性，所有比较方法的性能都随着gallery大小的增加而降低。然而，本文的方法始终优于所有端到端方法和大多数两步方法。当库的大小大于1000时，本文的方法的性能略低于两步TCTS方法！！！
  
• 定性结果
  如下图5所示，本文方法可以处理轻微/中度遮挡和规模/姿态变化的情况，而其他最先进的方法，如SeqNet和NAE在这些场景中失败
  
• Efficiency对比
  从表5中，作者比较了参数数量、乘法累加操作(mac)和每秒帧的运行速度(FPS)。与其他比较方法相比，该方法计算复杂度较低，计算速度略慢，但mAP和准确率分别提高了+6.6%和+4.0%。COAT在Transformer中只使用了一个编码器层，并使用多尺度卷积来减少token化之前的信道数量，从而增加了COAT的效率.
  

4.2 消融实验

• 级联结构的贡献
  为了显示级联结构的贡献，作者根据级联阶段的数量和IoU阈值来评估粗到细约束。
  1）首先，作者在每个阶段用ResNet块(conv5)替换遮挡注意Transformer。如下表1(a)所示，级联结构在增加更多阶段时显著提高了人搜索的精度，mAP从43.5%提高到49.5%，top-1精度从81.2%提高到85.5%。
  2）当作者们引入所提出的遮挡注意Transformer时，其性能得到了进一步的改善(见下表1(b))，表明的遮挡注意Transformer的有效性。
  3）此外，级联设计中不断增加的IoU阈值$u_t$提高了搜索性能。如下表1©所示，每个阶段相同的IoU阈值比本文的方法产生的精度要低。例如，如果$u_t=0.5$或$u_t=0.7$，会引入更多的假阳性或假阴性。相比之下，本文的方法可以选择质量更高的检测proposal，从而获得更好的性能，即在第一阶段产生更多的候选检测，在第三阶段只产生高度重叠的检测。
  
• 行人检测与ReID的关系
  正如在前面所讨论的，行人检测和ReID之间存在冲突。在下图4中，作者探究了这两个子任务之间的关系。作者将COAT与最先进的NAE和SeqNet方法进行了比较，它们共享相同的Faster R-CNN检测器。作者还构造了三个具有不同阶段的COAT变量，即COAT-t，其中$t=1、2、3$表示阶段数。当只看个人ReID而不是个人搜索时，即当给出ground-truth检测框时，COAT在top-1中有超过3%的增长，在mAP中有超过6%的增长，超过了两个竞争对手。同时，行人检测精度略低于SeqNet。这些结果表明，本文改进的ReID性能来自于从粗到细的人嵌入，而不是更精确的检测。
  作者还观察到，从$t=1$到$t=2$，行人检测性能有所提高，但当$t=3$时略有下降。作者推测这是因为，在权衡行人检测和ReID时，本文的方法更多地关注于对行人ReID进行区别性嵌入学习，而略微牺牲了检测性能。
  此外，从上表1(a)(b)中可以看出，第一阶段带有ReID损失的COAT变量比本文的方法表现更差(mAP为50.3 vs 53.3)。同时，学习用于人检测和ReID的判别表示是非常困难的。因此，作者在COAT方法中去除阶段1的ReID鉴别器头(c.f.图2)。如果作者在第二阶段继续去除ReID鉴别器，mAP中ReID性能降低了2%。这表明，ReID嵌入确实受益于多阶段细化。
  
• 与其他注意机制进行比较以及与特征增强的比较
  
• 遮挡注意力机制的影响
  

5. 总结

• 本文设计了一种用于端到端行人搜索的级联遮挡注意Transformer(COAT)。COAT通过级联Transformer框架对行人检测和行人ReID都学习了从粗到细的判别表示。同时，遮挡注意机制综合模拟来自前景或背景物体的遮挡。
• 注意，论文中牵涉到的mix up数据增强策略，在图3展示的是先通过卷积进行token化后再进行的mix up！实际代码中，是先在图像级进行mix up，然后对mix up后的图像进行token化。