CVPR 2022 视频全景分割新 Benchmark：VIPSeg
关注公众号，发现CV技术之美
今天向大家分享 CVPR 2022 论文『Large-scale Video Panoptic Segmentation in the Wild: A Benchmark』,介绍一个新的视频全景分割（Video Panoptic Segmentation）领域 Benchmark：VIPSeg。
论文链接：https://openaccess.thecvf.com/content/CVPR2022/papers/Miao_Large-Scale_Video_Panoptic_Segmentation_in_the_Wild_A_Benchmark_CVPR_2022_paper.pdf
项目链接：https://github.com/VIPSeg-Dataset/VIPSeg-Dataset/
01
前言
作者提出了一个新的视频全景分割（Video Panoptic Segmentation）领域 Benchmark：VIPSeg，与其他视频全景分割数据相比，VIPSeg有着数据量更多（3536个视频），场景更齐全（232个场景，124个类别）的优点。同时，作者也设计了一种基于切分短片（clip）的视频全景分割框架，在VIPSeg上达到了Sota性能。
02
VIPSeg数据集介绍
VIPSeg数据集共包含3536个视频，84750帧。并且均匀分布232个现实复杂野外场景。每个视频长度在3s～10s不等，帧间隔为 5fps。
VIPSeg与其他VPS数据集的对比如下表所示，可以明显看出VIPSeg的数据更多更丰富。
VIPSeg数据集各类别分布如下，可以看出各类别实例数量分布均匀，并没有很严重的长尾现象。
数据集中共包含124个类别，其中58个类为things（易于区分instance的，如：人，狗），66个类为stuff（不易区分instance，如：天空、草地）。
VIPSeg数据集的标注流程分为两个阶段，分别为Sparse Annotation and Tracking Loop 与 Dense Pixel-label Propagation Loop。
Sparse Annotation and Tracking Loop：稀疏标注阶段
在第一个阶段，作者先通过人工标注第一帧，再通过最先进的目标跟踪算法（AOT）获取 1 fps 的视频稀疏标注结果，再通过人工对此结果进行修正。
Dense Pixel-label Propagation Loop：稠密传播阶段
在第二个阶段，作者在 1 fps 的基础上 通过 AOT 对 Mask 进行传播，从而获取 5 fps 的 视频全景标注结果，再通过人工修正的方式对传播的结果进行修正。
03
基于Clip的视频全景分割方法
作者提出一个新的视频全景分割算法：ClipPanoFCN，基于对视频进行划分片段，先实现片段内的全景分割再全局规整的方法，实现了新的Sota 性能。
具体的，作者先将视频划分为不重叠的片段：Clip k，Clip k + 1...，再对每个片段分别进行全景分割。
Frame-level Modelling：帧级建模
在每一个Clip中，作者通过FPN对每一帧图像信息进行提取，再通过卷积层预测实例（things）的中心和非实例（stuff）的区域，以及每个像素点的类别置信度。最后通过在实例（things）中心附近选取置信度高的类别或者在非实例（stuff）区域通过求平均来获取最终的分割结果
Clip-level Aggregation：片段内整合
为了将图像级全景分割模型有效地应用于视频级，作者通过平均聚类的方法去除了多余标签，并且保证了片段内标签一致性。
Inter-clip Tracking：片段间整合
为了保持片段间标签的一致性，作者以一种类似于后处理的方法，通过计算不同片段间标签 Kernal 的相似度来聚合不同片段的结果。
基于Clip的视频全景分割方法，可以有效实现Clip内部的不同帧间信息交互，获取更好的标签特征Kernal，同时，不同Clip的视频可以并行处理，互不干扰，增加了实际应用时分割的速度。
04
实验
作者在自己提出的VIPSeg数据集上进行了验证，并与前人方法进行了比较。
可以看出，ClipPanoFCN在两个指标（VPQ、STQ）上都取得最优性能。
05
结论
该文提出了一个新的大规模视频全景分割数据集：VIPSeg，提供了大规模的现实多场景下像素级全景标注。并且提出了一种新的基于Clip划分的视频全景分割算法，将视频分为多个片段，并行处理各片段并且整合各片段获取最终分割结果。
END
欢迎加入「全景分割」交流群👇备注：VPS
