写在前面

  同样是一篇比较新的论文挂在 Arxiv 上面，拿来读一读。看标题应该是提出了新的 RIS 数据集与方法，用于遥感目标检测的。

• 论文地址：Rotated Multi-Scale Interaction Network for Referring Remote Sensing Image Segmentation
• 代码地址：https://github.com/Lsan2401/RMSIN
• 预计提交于：CVPR 2024
• Ps：2023 年每周一篇博文阅读笔记，主页 更多干货，欢迎关注呀，期待 6 千粉丝有你的参与呦~

一、Abstract

  首先指出 Referring Remote Sensing Image Segmentation (RRSIS) 指代遥感目标分割的粗略含义，与 RIS 一致，但是需要在航空图像中实现。于是本文引入一种旋转的多尺度交互网络 Rotated Multi-Scale Interaction Network (RMSIN)，其整合了一种内部尺度交互模块 Intra-scale Interaction Module (IIM) 来解决多尺度且细粒度的细节信息，以及一种跨尺度交互模块 Cross-scale Interaction Module (CIM) 用于整合这些细节。此外，RMSIN 利用自适应旋转卷积 Adaptive Rotated Convolution (ARC) 考虑那些不同方向的目标。为评估 RMSIN 的性能，建立了一个可拓展的数据集，包含 17420 个“图像-字幕-mask” 三元组。实验效果很好。

二、引言

  Referring Remote Sensing Image Segmentation (RRSIS) 的定义，应用。缺陷在于：这一领域数据集尺度有限，且模型精度有限。于是本文引入一种可拓展的数据集，名为 RRSSIS-D，用于提升 RRSIS 任务。此数据集主要利用 Segment Anything Model (SAM) 模型，采用一个半自动化标注流程，因此耗时较短，同时标注精度较高。其设计源于最初的 Bounding box prompts 生成的分割 masks，然后进一步精炼来确保航空图像的高保真度。于是生成了一个包含 17502 个遥感“图像-字幕-masks”三元组。

  此外，现有的 RIS 方法在应对遥感图像时效果不咋地。如下图所示：

  航空图像的挑战在于不仅包含了传统的数据，还有一些尺度多变的图像以及多个方向的图像。当前的 RIS 方法在面对这些航空图像时效果确实不行。

  于是本文提出 Rotated Multi-Scale Interaction Network (RMSIN) 用于解决 RRSIS 问题。首先引入了一种尺度内交互模块 Intra-scale Interaction Module (IIM)，在单个层内提取出详细的特征信息；引入一种跨尺度交互模块 Cross-scale Interaction Module (CIM) 来促进全面的特征融合。此外，整合一种自适应旋转卷积 Adaptive Rotated Convolution (ARC) 到解码器中，使得模型能够解决目标的旋转问题。本文贡献总结如下：

• 引入 RRSiS-D，一种新的数据集用于指代遥感图像分割 Referring Remote Sensing Image Segmentation (RRSIS)。其利用 SAM 的分割能力再结合手动校准，在目标尺度和方向上有很大变动；
• 提出旋转多尺度交互网络 Rotated Multi-Scale Interaction Network (RMSIN) 用于解决航空图像中多种空间尺度和方向变化的问题；
• 提出 IIM 和 CIM 用于解决不同尺度下的细粒度信息问题，设计了 ARC 用于增强模型对于任意旋转目标的鲁棒性问题；
• 大量的实验表明本文提出的 RMSIN 实现了 SOTA 的性能。

三、相关工作

Referring Image Detection and Segmentation

  讲一下 RID 和 RIS 的定义，现有的方法。然而由于航空图像的特殊属性，这些方法很难在遥感领域发挥作用。有一些方法引入了尺度交互模块用于增强特征提取，但是自然图像和航空图像间的语义鸿沟仍然存在，使得性能达不到最优结果。

Remote Sensing Referring Image Detection and Segmentation

  RSRID 和 RSRIS 任务比较新，目前研究还很少。而最近基于 Transformer 的方法 RSVG 利用视觉 Transformer 和 BERT 作为 Backbone，整合了多层次跨模态特征学习来解决航空图像中的多尺度变换问题。而 RSRIS 也是处于萌芽期，于是本文提出一种可拓展的、复杂的 RRSIS-D 数据集，以及一种新的模型 RMSIN。

四、RRSIS-D

  提出了一个RRSIS-D 数据集，用于RRSIS 任务。上图为数据集中的词云表示。基于 Segment Anything Model (SAM)，采用了一种半自动化标注方法，利用 bouding boxes 和 SAM 上生成像素级别的 masks，从而在标注过程节约成本。具体来说，采用下列步骤为语言标注生成逐像素标注：

• 步骤一：利用 SAM 为 RSVGD 数据集中的 Bounding box prompts 生成 masks，然而由于 SAM 可能在精度方面存在变化（主要是航空图像和自然图像存在领域鸿沟导致），于是有了下一步。
• 采取一个手动提炼过程用于那些可能存在问题的航空图像 mask，具体来说，对数据集进行全面检查，鉴别那些有问题的数据，手动标注其 masks。
• RRSIS-D 数据集的标注全部转化为与 RefCOOC 数据集相同的格式。

  数据集的统计情况如上表所示，类别分布如下图所示：

  生成 Maks 的统计情况如下图所示：

  需要注意的是生成的 masks 非常小的比例占据了数据集中的绝大部分。但同时也有一些大像素，例如超过 40 0000 的。

五、RMSIN

5.1 总览

  给定输入图像 $I\in {\mathbb{R}}^{H\times W\times 3}$，语言表达式 E = { ω i } , i ∈ { 0 , … , N } E=\{\omega_i\},i\in\{0,\ldots,N\} E={ωi​},i∈{0,…,N}，其中 $H$ 和 $W$ 分别表示图像的高、宽。$N$ 为表达式的长度。输入表达式通过 backbone $f_l$ 转化到特征空间 $F_l\in {\mathbb{R}}^{N\times C}$。

  接下来是复合的尺度交互编码器 Compounded Scale Interaction Encoder (CSIE)，其由一个尺度内交互模块 Intra-scale Interaction Module (IIM) 和跨尺度交互模块 Cross-scale Interaction Module (CIM) 组成，用于在不同阶段生成融合的特征。最后，基于方向感知解码器 Oriented-Aware Decoder (OAD)，提出一种自适应旋转卷积 Adaptive Rotated Convolution (ARC) 生成 masks。

5.2 Compounded Scale Interaction Encoder (CSIE)

  给定语言特征 $F_l$ 和输入的图像 $I\in {\mathbb{R}}^{H\times W\times 3}$，复合的尺度交互编码器 Compounded Scale Interaction Encoder (CSIE) 以多阶段的方式在内部和外部视角进行视觉语言的跨模态融合。CSIE 由两个组成部分：尺度内交互模块 Intra-scale Interaction Module (IIM) 和跨尺度交互模块 Cross-scale Interaction Module (CIM)。

5.2.1 尺度内交互模块

  CSIE 内每个阶段的第一部分，即尺度内交互模块 Intra-scale Interaction Module (IIM) 用于提取每个尺度下的信息，并促进视觉语言模态的交互。根据级联的 4 个阶段，IIM 可以表示为 { ϕ i } i ∈ { 1 , 2 , 3 , 4 } \{\phi_i\}_{i\in\{1,2,3,4\}} {ϕi​}i∈{1,2,3,4}​。通过文本 Backbone 得到语言特征 $F_l\in {\mathbb{R}}^{N\times C}$，其中 $C$ 表示通道的数量，IIM 每个阶段的输出特征 $F_e^i$可表示为：
$$F_e^i={\varphi }_i(F_e^{i-1},F_{\ell })$$其中 $F_e^0$ 利用视觉 Backbone $f_v$ 和输入 $I$ 得到。具体来说，在阶段 $i$ 中，输入的特征 $F_e^{i-1}$ 经过一个下采样和 MLP 减少其尺度，并统一其维度到特征 ${\hat{F}}_e^{i-1}$。然后 ${\hat{F}}_e^{i-1}$ 送入到两个分支中用于增强视觉先验以及融合跨模态信息。

各种感知分支

  特征 ${\hat{F}}_e^{i-1}$ 送入到多个不同卷积核大小的分支，生成不同感受野大小的特征图：
$${\omega }^i=\sigma \left(\sum _{j=0}^J\left(\frac{1}{C}\sum ^C{k}_j^i\ast {\hat{F}}_e^{i-1}\right)\right)$$其中 $k_j^i$ 表示第 $j$ 个卷积分支，$\sigma$ 为 Sigmoid 函数。${\omega }^i\in {(0,1)}^{H\times W}$ 为平衡不同分支的权重：
$${\hat{F}}_{e1}^{i-1}={\omega }^i\otimes {\hat{F}}_e^{i-1}$$
此外，其输出通过一个视觉门进行归一化，添加在原始图像特征上作为局部细节信息的补充。这一过程实施如下：
$$\alpha =\mathrm{Tanh}(\mathrm{LN}(\mathrm{ReLU}(\mathrm{LN}({\hat{F}}_{e1}^{i-1}))))$$其中 $\mathrm{LN}(\cdot )$ 表示一个 $1\times 1$ 卷积，$\mathrm{Tanh}(\cdot )$ 和 $\mathrm{ReLU}(\cdot )$ 表示激活函数。

跨模态对齐分支

  输入为 ${\hat{F}}_e^{i-1}$ 和语言特征 $F_l$，这一模块首先应用尺度点乘注意力，${\hat{F}}_e^{i-1}$ 作为 query，$F_l$ 为 key 和 value 得到多模态特征：
$$A^i=\text{attention}({\hat{F}}_e^{i-1}{W}_q^i,F_{\ell }{W}_k^i,F_{\ell }{W}_v^i)$$其中 $W_q^i$、$W_k^i$、$W_v^i$ 为线性投影矩阵。接下来，注意力 $A^i$ 联合 ${\hat{F}}_e^{i-1}$ 一起得到语言引导的图像特征：
$${\hat{F}}_{e2}^{i-1}=\mathrm{Proj}(A^i{W}_w^i\otimes {\hat{F}}_e^{i-1}{W}_m^i)$$其中 $W_w^i$、$W_m^i$ 为投影矩阵，$\otimes$ 表示逐元素乘法。得到的结果通过 $1\times 1$ 卷积 $\text{Proj}(\cdot )$ 产生最终的输出。

  与其它在输出 ${\hat{F}}_e^{i-1}$ 上执行的操作类似，其结果通过共享的语言门 $\beta$ 来归一化。而视觉门同样添加到原始图像特征上，补充语言特征。于是 IIM 在阶段 $i$ 的整体输出特征表示如下：
$$F_e^i={\hat{F}}_e^{i-1}+\alpha {\hat{F}}_{e1}^{i-1}+\beta {\hat{F}}_{e2}^{i-1}$$

5.2.2 跨尺度交互模块

  IIM 充分提取出由语言特征引导的多尺度定位信息，此外设计了一种跨尺度交互模块 Cross-scale Interaction Module (CIM)，进一步增强粗糙和细腻阶段的特征交互。具体来说，模块收集 IIM 每个阶段的输出，即 F e i , i ∈ { 1 , 2 , 3 , 4 } F_e^{i},i\in\{1,2,3,4\} Fei​,i∈{1,2,3,4}，执行多阶段交互。

多尺度特征组合

  输入为特征 F e i , i ∈ { 1 , 2 , 3 , 4 } F_e^{i},i\in\{1,2,3,4\} Fei​,i∈{1,2,3,4}，下采样到同一尺寸后沿着通道维度进行拼接：
F d i = downsample ( F e i ) i ∈ { 1 , 2 , 3 , 4 } , F c ∗ = concat ( F d 1 , F d 2 , F d 3 , F e 4 )

Fdi​Fc∗​​=downsample(Fei​)i∈{1,2,3,4},=concat(Fd1​,Fd2​,Fd3​,Fe4​)​其中 $F_d^i$ 为下采样后的特征，$F_c^{\ast }$ 表示沿着通道维度拼接后的多阶段特征。通过平均池化进行下采样操作。

多尺度注意力层

  设计不同的感受野用于拼接后的特征 $F_c^{\ast }$，从而实现多尺度交互。$F_c^{\ast }$ 在不同的深度卷积核的作用下调整为不同的尺度：
F c m = concat ⁡ c ( k m ∗ F c ∗ ) W m h m = ⌊ h − 1 m + 1 ⌋ , w m = ⌊ w − 1 m + 1 ⌋

​Fcm​=cconcat​(km∗Fc∗​)Wmhm=⌊mh−1​+1⌋,wm=⌊mw−1​+1⌋​其中 m ∈ { 1 , … , M } m\in\{1,\ldots,M\} m∈{1,…,M}，$M$ 为调整尺度的数量。$k_m$ 为第 $m$ 个深度卷积核的参数。$h_m$ 和 $w_m$ 分别为 $F_c^m$ 的高和宽。在得到特征集合 { F c m ∣ m ∈ { 1 , … , M } } \{F_c^m|m\in \{1,\ldots,M\}\} {Fcm​∣m∈{1,…,M}} 后，将所有元素在尺寸维度展平，并进行拼接作为序列特征 ${\hat{F}}_c^{\ast }\in {\mathbb{R}}^{({\sum }_1^M{h}^m\times w^m)\times C)}$。与经典的注意力类似，将原始特征 $F_c^{\ast }$ 作为 query，多尺度感知特征 ${\hat{F}}_c^{\ast }$ 为 key 和 value，执行跨尺度交互：
$${\tilde{F}}_c^{\ast }=\mathrm{softmax}(\frac{F_c^{\ast }{W}_q\cdot {\hat{F}}_c^{\ast }{W}_k^T}{\sqrt{C}})\cdot {\hat{F}}_c^{\ast }{W}_v$$接下来采用局部关系表示，称之为 LRC 的模块，归一化多尺注意力的输出。于是，多尺度注意力层的最终输出表示为：
$$F_c={\tilde{F}}_c^{\ast }+\text{DWConv}(\text{Hardswish}(F_c^{\ast }))$$其中 $\text{DWConv}(\cdot )$ 表示深度卷积，$\text{Hardswish}(\cdot )$ 为激活函数，旨在增强多尺度局部信息。

  之后将 $F_c$ 划分为 4 个部分，通过上采样恢复到 $F_e^i$ 的原始尺寸后送入尺度感知门，从而得到最终的输出。

尺度感知门

  对于 $F_c$ 中每个部分，从 $F_e$ 中取出对应的部分，从而衡量跨尺度交互的权重。这一权重以辅助残差的方式叠加在 IIM 特征之上，表示如下：
$$F_o^i=\text{sigmoid}(F_e^i{W}_1)\otimes F_c^i{W}_2+F_e^i{W}_3$$其中 i ∈ { 1 , 2 , 3 , 4 } i\in\{1,2,3,4\} i∈{1,2,3,4}。尺度感知门的输出用于下一解码器，从而生成最终的 mask 预测。

5.3 方向感知解码器

  来自 CSIE 的特征集合 { F o i ∣ i ∈ { 1 , 2 , 3 , 4 } } \{F_o^i|i\in\{1,2,3,4\}\} {Foi​∣i∈{1,2,3,4}} 用于生成 mask。将自适应旋转卷积 Adaptive Rotated Convolution (ARC) 整合进分割解码器用于 RRSIS 任务。

5.3.1 自适应旋转卷积

  首先提取方向特征，基于输入来预测 $n$ 个角度。对于输入 $X$，预测 $\theta$ 和 $\lambda$ 如下：
$$\theta ,\lambda =\mathrm{Routing}(X)$$其中 Routing 块的结构如下图所示：

其中静态卷积核权重可以视为从 2 维核空间采样出的点。因此卷积的方向选择为旋转重采样的过程。具体来说，卷积核 $W_i$ 根据预测的角度重参数化为：
Y i ′ = M − 1 ( θ i ) Y i W i ′ = i n t e r p o l a t i o n ( W i , Y i ′ )

​Yi′​=M−1(θi​)Yi​Wi′​=interpolation(Wi​,Yi′​)​其中 $Y_i$ 为原始采样点的坐标，$M^{-1}({\theta }_i)$ 为旋转矩阵的逆矩阵，用于仿射变换 $\theta$ 度。$\mathrm{interpolation}$ 通过双线性插值实现。最终，特征通过获得的卷积核过滤，之后进行一个权重求和操作来生成方向感知的特征：
$$X^{\ast }=X\ast \sum _{i=1}^n{\lambda }_i{W}_i^{{}^{\prime }}$$
Mask 预测的整体自顶向下过程描述如下：
D 4 = F o 4 D i = S e g ( A R C ( [ D i + 1 ; F o i ] ) ) , i ∈ { 1 , 2 , 3 } D 0 = P r o j ( D 1 )

\begin{aligned} &D_{4}=F_{o}^{4} \\ &\begin{aligned}D_i=\mathrm{Seg}(\mathrm{ARC}([D_{i+1};F_o^i])),\quad i\in\{1,2,3\}\end{aligned}" role="presentation" style="position: relative;">\begin{aligned} &D_{4}=F_{o}^{4} \\ &\begin{aligned}D_i=\mathrm{Seg}(\mathrm{ARC}([D_{i+1};F_o^i])),\quad i\in\{1,2,3\}\end{aligned}$$\text{begin{aligned} \&D\_4=F\_o^4 \&begin{aligned}D\_i=mathrm{Seg}(mathrm{ARC}([D\_{i+1};F\_o^i])),quad iin{1,2,3}end{aligned}}$$

\\ &D_{0}=\mathrm{Proj}(D_{1}) \end{aligned} ​D4​=Fo4​Di​=Seg(ARC([Di+1​;Foi​])),i∈{1,2,3}​D0​=Proj(D1​)​其中 $\mathrm{Seg}$ 表示一个非线性块，由一个 $3\times 3$ 卷积层，一个 batch normalization 层，一个 ReLU 激活函数组成。$\mathrm{Proj}$ 是一个线性投影函数，将最终的特征 $D_1$ 投影为两个类别得分。需要注意的是一半的卷积层由 ARC 代替，从而利用上特征空间的方向信息。

六、实验

6.1 实施细节

实验设置

  视觉 Backbone 采用 Swin Transformer，预训练在 ImageNet22K 上，语言 Backbone 采用 BERT 模型。训练 40 个 epochs，AdamW 优化器，权重衰减 0.01，初始学习率 $5e-4$，根据 polynomial 衰减。输入图像尺寸 $480\times 480$。

指标

  Overall Intersection-over-Union (oIoU)、Mean Intersection-over-Union (mIoU)、Precision@X (P@X)。

6.2 与 SOTA 的 RIS 方法比较

6.3 消融研究

IIM 和 CIM 的有效性

CIM 的深度设计

解码器的设计

ARC 的设计

6.4 可视化

6.4.1 定量分析

6.4.2 编码器特征可视化

七、结论

  本文引入一个旋转多尺度交互网络 Rotated Multi-Scale Interaction Network (RMSIN)，用于解决 RRSIS 中复杂的空间尺度和方向问题。尺度内交互模块 Intra-scale Interaction Module 和 RMSIN 中的跨尺度交互模块 Cross-scale Interaction Module 解决了航空图像中不同空间尺度的问题。此外，自适应旋转卷积的引入解决了航空图像中不同的方向分布问题。在 RRSIS-D 数据集上的实验表明 RMSIN 的方法达到了 SOTA 的性能。

写在后面

  这篇论文工作量其实蛮大的，比上一篇好很多。这个论文应该稳中，但是评分的话也不是那么顶高。毕竟涉及到了多个模块的组合。还是要吐槽下论文的写作，咋说呢，感觉不是那么完美。

写在前面

  同样是一篇比较新的论文挂在 Arxiv 上面，拿来读一读。看标题应该是提出了新的 RIS 数据集与方法，用于遥感目标检测的。

• 论文地址：Rotated Multi-Scale Interaction Network for Referring Remote Sensing Image Segmentation
• 代码地址：https://github.com/Lsan2401/RMSIN
• 预计提交于：CVPR 2024
• Ps：2023 年每周一篇博文阅读笔记，主页 更多干货，欢迎关注呀，期待 6 千粉丝有你的参与呦~

一、Abstract

  首先指出 Referring Remote Sensing Image Segmentation (RRSIS) 指代遥感目标分割的粗略含义，与 RIS 一致，但是需要在航空图像中实现。于是本文引入一种旋转的多尺度交互网络 Rotated Multi-Scale Interaction Network (RMSIN)，其整合了一种内部尺度交互模块 Intra-scale Interaction Module (IIM) 来解决多尺度且细粒度的细节信息，以及一种跨尺度交互模块 Cross-scale Interaction Module (CIM) 用于整合这些细节。此外，RMSIN 利用自适应旋转卷积 Adaptive Rotated Convolution (ARC) 考虑那些不同方向的目标。为评估 RMSIN 的性能，建立了一个可拓展的数据集，包含 17420 个“图像-字幕-mask” 三元组。实验效果很好。

二、引言

  Referring Remote Sensing Image Segmentation (RRSIS) 的定义，应用。缺陷在于：这一领域数据集尺度有限，且模型精度有限。于是本文引入一种可拓展的数据集，名为 RRSSIS-D，用于提升 RRSIS 任务。此数据集主要利用 Segment Anything Model (SAM) 模型，采用一个半自动化标注流程，因此耗时较短，同时标注精度较高。其设计源于最初的 Bounding box prompts 生成的分割 masks，然后进一步精炼来确保航空图像的高保真度。于是生成了一个包含 17502 个遥感“图像-字幕-masks”三元组。

  此外，现有的 RIS 方法在应对遥感图像时效果不咋地。如下图所示：

  航空图像的挑战在于不仅包含了传统的数据，还有一些尺度多变的图像以及多个方向的图像。当前的 RIS 方法在面对这些航空图像时效果确实不行。

  于是本文提出 Rotated Multi-Scale Interaction Network (RMSIN) 用于解决 RRSIS 问题。首先引入了一种尺度内交互模块 Intra-scale Interaction Module (IIM)，在单个层内提取出详细的特征信息；引入一种跨尺度交互模块 Cross-scale Interaction Module (CIM) 来促进全面的特征融合。此外，整合一种自适应旋转卷积 Adaptive Rotated Convolution (ARC) 到解码器中，使得模型能够解决目标的旋转问题。本文贡献总结如下：

• 引入 RRSiS-D，一种新的数据集用于指代遥感图像分割 Referring Remote Sensing Image Segmentation (RRSIS)。其利用 SAM 的分割能力再结合手动校准，在目标尺度和方向上有很大变动；
• 提出旋转多尺度交互网络 Rotated Multi-Scale Interaction Network (RMSIN) 用于解决航空图像中多种空间尺度和方向变化的问题；
• 提出 IIM 和 CIM 用于解决不同尺度下的细粒度信息问题，设计了 ARC 用于增强模型对于任意旋转目标的鲁棒性问题；
• 大量的实验表明本文提出的 RMSIN 实现了 SOTA 的性能。

三、相关工作

Referring Image Detection and Segmentation

  讲一下 RID 和 RIS 的定义，现有的方法。然而由于航空图像的特殊属性，这些方法很难在遥感领域发挥作用。有一些方法引入了尺度交互模块用于增强特征提取，但是自然图像和航空图像间的语义鸿沟仍然存在，使得性能达不到最优结果。

Remote Sensing Referring Image Detection and Segmentation

  RSRID 和 RSRIS 任务比较新，目前研究还很少。而最近基于 Transformer 的方法 RSVG 利用视觉 Transformer 和 BERT 作为 Backbone，整合了多层次跨模态特征学习来解决航空图像中的多尺度变换问题。而 RSRIS 也是处于萌芽期，于是本文提出一种可拓展的、复杂的 RRSIS-D 数据集，以及一种新的模型 RMSIN。

四、RRSIS-D

  提出了一个RRSIS-D 数据集，用于RRSIS 任务。上图为数据集中的词云表示。基于 Segment Anything Model (SAM)，采用了一种半自动化标注方法，利用 bouding boxes 和 SAM 上生成像素级别的 masks，从而在标注过程节约成本。具体来说，采用下列步骤为语言标注生成逐像素标注：

• 步骤一：利用 SAM 为 RSVGD 数据集中的 Bounding box prompts 生成 masks，然而由于 SAM 可能在精度方面存在变化（主要是航空图像和自然图像存在领域鸿沟导致），于是有了下一步。
• 采取一个手动提炼过程用于那些可能存在问题的航空图像 mask，具体来说，对数据集进行全面检查，鉴别那些有问题的数据，手动标注其 masks。
• RRSIS-D 数据集的标注全部转化为与 RefCOOC 数据集相同的格式。

  数据集的统计情况如上表所示，类别分布如下图所示：

  生成 Maks 的统计情况如下图所示：

  需要注意的是生成的 masks 非常小的比例占据了数据集中的绝大部分。但同时也有一些大像素，例如超过 40 0000 的。

五、RMSIN

5.1 总览

  给定输入图像 $I\in {\mathbb{R}}^{H\times W\times 3}$，语言表达式 E = { ω i } , i ∈ { 0 , … , N } E=\{\omega_i\},i\in\{0,\ldots,N\} E={ωi​},i∈{0,…,N}，其中 $H$ 和 $W$ 分别表示图像的高、宽。$N$ 为表达式的长度。输入表达式通过 backbone $f_l$ 转化到特征空间 $F_l\in {\mathbb{R}}^{N\times C}$。

  接下来是复合的尺度交互编码器 Compounded Scale Interaction Encoder (CSIE)，其由一个尺度内交互模块 Intra-scale Interaction Module (IIM) 和跨尺度交互模块 Cross-scale Interaction Module (CIM) 组成，用于在不同阶段生成融合的特征。最后，基于方向感知解码器 Oriented-Aware Decoder (OAD)，提出一种自适应旋转卷积 Adaptive Rotated Convolution (ARC) 生成 masks。

5.2 Compounded Scale Interaction Encoder (CSIE)

  给定语言特征 $F_l$ 和输入的图像 $I\in {\mathbb{R}}^{H\times W\times 3}$，复合的尺度交互编码器 Compounded Scale Interaction Encoder (CSIE) 以多阶段的方式在内部和外部视角进行视觉语言的跨模态融合。CSIE 由两个组成部分：尺度内交互模块 Intra-scale Interaction Module (IIM) 和跨尺度交互模块 Cross-scale Interaction Module (CIM)。

5.2.1 尺度内交互模块

  CSIE 内每个阶段的第一部分，即尺度内交互模块 Intra-scale Interaction Module (IIM) 用于提取每个尺度下的信息，并促进视觉语言模态的交互。根据级联的 4 个阶段，IIM 可以表示为 { ϕ i } i ∈ { 1 , 2 , 3 , 4 } \{\phi_i\}_{i\in\{1,2,3,4\}} {ϕi​}i∈{1,2,3,4}​。通过文本 Backbone 得到语言特征 $F_l\in {\mathbb{R}}^{N\times C}$，其中 $C$ 表示通道的数量，IIM 每个阶段的输出特征 $F_e^i$可表示为：
$$F_e^i={\varphi }_i(F_e^{i-1},F_{\ell })$$其中 $F_e^0$ 利用视觉 Backbone $f_v$ 和输入 $I$ 得到。具体来说，在阶段 $i$ 中，输入的特征 $F_e^{i-1}$ 经过一个下采样和 MLP 减少其尺度，并统一其维度到特征 ${\hat{F}}_e^{i-1}$。然后 ${\hat{F}}_e^{i-1}$ 送入到两个分支中用于增强视觉先验以及融合跨模态信息。

各种感知分支

  特征 ${\hat{F}}_e^{i-1}$ 送入到多个不同卷积核大小的分支，生成不同感受野大小的特征图：
$${\omega }^i=\sigma \left(\sum _{j=0}^J\left(\frac{1}{C}\sum ^C{k}_j^i\ast {\hat{F}}_e^{i-1}\right)\right)$$其中 $k_j^i$ 表示第 $j$ 个卷积分支，$\sigma$ 为 Sigmoid 函数。${\omega }^i\in {(0,1)}^{H\times W}$ 为平衡不同分支的权重：
$${\hat{F}}_{e1}^{i-1}={\omega }^i\otimes {\hat{F}}_e^{i-1}$$
此外，其输出通过一个视觉门进行归一化，添加在原始图像特征上作为局部细节信息的补充。这一过程实施如下：
$$\alpha =\mathrm{Tanh}(\mathrm{LN}(\mathrm{ReLU}(\mathrm{LN}({\hat{F}}_{e1}^{i-1}))))$$其中 $\mathrm{LN}(\cdot )$ 表示一个 $1\times 1$ 卷积，$\mathrm{Tanh}(\cdot )$ 和 $\mathrm{ReLU}(\cdot )$ 表示激活函数。

跨模态对齐分支

  输入为 ${\hat{F}}_e^{i-1}$ 和语言特征 $F_l$，这一模块首先应用尺度点乘注意力，${\hat{F}}_e^{i-1}$ 作为 query，$F_l$ 为 key 和 value 得到多模态特征：
$$A^i=\text{attention}({\hat{F}}_e^{i-1}{W}_q^i,F_{\ell }{W}_k^i,F_{\ell }{W}_v^i)$$其中 $W_q^i$、$W_k^i$、$W_v^i$ 为线性投影矩阵。接下来，注意力 $A^i$ 联合 ${\hat{F}}_e^{i-1}$ 一起得到语言引导的图像特征：
$${\hat{F}}_{e2}^{i-1}=\mathrm{Proj}(A^i{W}_w^i\otimes {\hat{F}}_e^{i-1}{W}_m^i)$$其中 $W_w^i$、$W_m^i$ 为投影矩阵，$\otimes$ 表示逐元素乘法。得到的结果通过 $1\times 1$ 卷积 $\text{Proj}(\cdot )$ 产生最终的输出。

  与其它在输出 ${\hat{F}}_e^{i-1}$ 上执行的操作类似，其结果通过共享的语言门 $\beta$ 来归一化。而视觉门同样添加到原始图像特征上，补充语言特征。于是 IIM 在阶段 $i$ 的整体输出特征表示如下：
$$F_e^i={\hat{F}}_e^{i-1}+\alpha {\hat{F}}_{e1}^{i-1}+\beta {\hat{F}}_{e2}^{i-1}$$

5.2.2 跨尺度交互模块

  IIM 充分提取出由语言特征引导的多尺度定位信息，此外设计了一种跨尺度交互模块 Cross-scale Interaction Module (CIM)，进一步增强粗糙和细腻阶段的特征交互。具体来说，模块收集 IIM 每个阶段的输出，即 F e i , i ∈ { 1 , 2 , 3 , 4 } F_e^{i},i\in\{1,2,3,4\} Fei​,i∈{1,2,3,4}，执行多阶段交互。

多尺度特征组合

  输入为特征 F e i , i ∈ { 1 , 2 , 3 , 4 } F_e^{i},i\in\{1,2,3,4\} Fei​,i∈{1,2,3,4}，下采样到同一尺寸后沿着通道维度进行拼接：
F d i = downsample ( F e i ) i ∈ { 1 , 2 , 3 , 4 } , F c ∗ = concat ( F d 1 , F d 2 , F d 3 , F e 4 )

Fdi​Fc∗​​=downsample(Fei​)i∈{1,2,3,4},=concat(Fd1​,Fd2​,Fd3​,Fe4​)​其中 $F_d^i$ 为下采样后的特征，$F_c^{\ast }$ 表示沿着通道维度拼接后的多阶段特征。通过平均池化进行下采样操作。

多尺度注意力层

  设计不同的感受野用于拼接后的特征 $F_c^{\ast }$，从而实现多尺度交互。$F_c^{\ast }$ 在不同的深度卷积核的作用下调整为不同的尺度：
F c m = concat ⁡ c ( k m ∗ F c ∗ ) W m h m = ⌊ h − 1 m + 1 ⌋ , w m = ⌊ w − 1 m + 1 ⌋

​Fcm​=cconcat​(km∗Fc∗​)Wmhm=⌊mh−1​+1⌋,wm=⌊mw−1​+1⌋​其中 m ∈ { 1 , … , M } m\in\{1,\ldots,M\} m∈{1,…,M}，$M$ 为调整尺度的数量。$k_m$ 为第 $m$ 个深度卷积核的参数。$h_m$ 和 $w_m$ 分别为 $F_c^m$ 的高和宽。在得到特征集合 { F c m ∣ m ∈ { 1 , … , M } } \{F_c^m|m\in \{1,\ldots,M\}\} {Fcm​∣m∈{1,…,M}} 后，将所有元素在尺寸维度展平，并进行拼接作为序列特征 ${\hat{F}}_c^{\ast }\in {\mathbb{R}}^{({\sum }_1^M{h}^m\times w^m)\times C)}$。与经典的注意力类似，将原始特征 $F_c^{\ast }$ 作为 query，多尺度感知特征 ${\hat{F}}_c^{\ast }$ 为 key 和 value，执行跨尺度交互：
$${\tilde{F}}_c^{\ast }=\mathrm{softmax}(\frac{F_c^{\ast }{W}_q\cdot {\hat{F}}_c^{\ast }{W}_k^T}{\sqrt{C}})\cdot {\hat{F}}_c^{\ast }{W}_v$$接下来采用局部关系表示，称之为 LRC 的模块，归一化多尺注意力的输出。于是，多尺度注意力层的最终输出表示为：
$$F_c={\tilde{F}}_c^{\ast }+\text{DWConv}(\text{Hardswish}(F_c^{\ast }))$$其中 $\text{DWConv}(\cdot )$ 表示深度卷积，$\text{Hardswish}(\cdot )$ 为激活函数，旨在增强多尺度局部信息。

  之后将 $F_c$ 划分为 4 个部分，通过上采样恢复到 $F_e^i$ 的原始尺寸后送入尺度感知门，从而得到最终的输出。

尺度感知门

  对于 $F_c$ 中每个部分，从 $F_e$ 中取出对应的部分，从而衡量跨尺度交互的权重。这一权重以辅助残差的方式叠加在 IIM 特征之上，表示如下：
$$F_o^i=\text{sigmoid}(F_e^i{W}_1)\otimes F_c^i{W}_2+F_e^i{W}_3$$其中 i ∈ { 1 , 2 , 3 , 4 } i\in\{1,2,3,4\} i∈{1,2,3,4}。尺度感知门的输出用于下一解码器，从而生成最终的 mask 预测。

5.3 方向感知解码器

  来自 CSIE 的特征集合 { F o i ∣ i ∈ { 1 , 2 , 3 , 4 } } \{F_o^i|i\in\{1,2,3,4\}\} {Foi​∣i∈{1,2,3,4}} 用于生成 mask。将自适应旋转卷积 Adaptive Rotated Convolution (ARC) 整合进分割解码器用于 RRSIS 任务。

5.3.1 自适应旋转卷积

  首先提取方向特征，基于输入来预测 $n$ 个角度。对于输入 $X$，预测 $\theta$ 和 $\lambda$ 如下：
$$\theta ,\lambda =\mathrm{Routing}(X)$$其中 Routing 块的结构如下图所示：

其中静态卷积核权重可以视为从 2 维核空间采样出的点。因此卷积的方向选择为旋转重采样的过程。具体来说，卷积核 $W_i$ 根据预测的角度重参数化为：
Y i ′ = M − 1 ( θ i ) Y i W i ′ = i n t e r p o l a t i o n ( W i , Y i ′ )

​Yi′​=M−1(θi​)Yi​Wi′​=interpolation(Wi​,Yi′​)​其中 $Y_i$ 为原始采样点的坐标，$M^{-1}({\theta }_i)$ 为旋转矩阵的逆矩阵，用于仿射变换 $\theta$ 度。$\mathrm{interpolation}$ 通过双线性插值实现。最终，特征通过获得的卷积核过滤，之后进行一个权重求和操作来生成方向感知的特征：
$$X^{\ast }=X\ast \sum _{i=1}^n{\lambda }_i{W}_i^{{}^{\prime }}$$
Mask 预测的整体自顶向下过程描述如下：
D 4 = F o 4 D i = S e g ( A R C ( [ D i + 1 ; F o i ] ) ) , i ∈ { 1 , 2 , 3 } D 0 = P r o j ( D 1 )

\begin{aligned} &D_{4}=F_{o}^{4} \\ &\begin{aligned}D_i=\mathrm{Seg}(\mathrm{ARC}([D_{i+1};F_o^i])),\quad i\in\{1,2,3\}\end{aligned}" role="presentation" style="position: relative;">\begin{aligned} &D_{4}=F_{o}^{4} \\ &\begin{aligned}D_i=\mathrm{Seg}(\mathrm{ARC}([D_{i+1};F_o^i])),\quad i\in\{1,2,3\}\end{aligned}$$\text{begin{aligned} \&D\_4=F\_o^4 \&begin{aligned}D\_i=mathrm{Seg}(mathrm{ARC}([D\_{i+1};F\_o^i])),quad iin{1,2,3}end{aligned}}$$

\\ &D_{0}=\mathrm{Proj}(D_{1}) \end{aligned} ​D4​=Fo4​Di​=Seg(ARC([Di+1​;Foi​])),i∈{1,2,3}​D0​=Proj(D1​)​其中 $\mathrm{Seg}$ 表示一个非线性块，由一个 $3\times 3$ 卷积层，一个 batch normalization 层，一个 ReLU 激活函数组成。$\mathrm{Proj}$ 是一个线性投影函数，将最终的特征 $D_1$ 投影为两个类别得分。需要注意的是一半的卷积层由 ARC 代替，从而利用上特征空间的方向信息。

六、实验

6.1 实施细节

实验设置

  视觉 Backbone 采用 Swin Transformer，预训练在 ImageNet22K 上，语言 Backbone 采用 BERT 模型。训练 40 个 epochs，AdamW 优化器，权重衰减 0.01，初始学习率 $5e-4$，根据 polynomial 衰减。输入图像尺寸 $480\times 480$。

指标

  Overall Intersection-over-Union (oIoU)、Mean Intersection-over-Union (mIoU)、Precision@X (P@X)。

6.2 与 SOTA 的 RIS 方法比较

6.3 消融研究

IIM 和 CIM 的有效性

CIM 的深度设计

解码器的设计

ARC 的设计

6.4 可视化

6.4.1 定量分析

6.4.2 编码器特征可视化

七、结论

  本文引入一个旋转多尺度交互网络 Rotated Multi-Scale Interaction Network (RMSIN)，用于解决 RRSIS 中复杂的空间尺度和方向问题。尺度内交互模块 Intra-scale Interaction Module 和 RMSIN 中的跨尺度交互模块 Cross-scale Interaction Module 解决了航空图像中不同空间尺度的问题。此外，自适应旋转卷积的引入解决了航空图像中不同的方向分布问题。在 RRSIS-D 数据集上的实验表明 RMSIN 的方法达到了 SOTA 的性能。

写在后面

  这篇论文工作量其实蛮大的，比上一篇好很多。这个论文应该稳中，但是评分的话也不是那么顶高。毕竟涉及到了多个模块的组合。还是要吐槽下论文的写作，咋说呢，感觉不是那么完美。