图像分割作为计算机视觉的三大任务之一，是智慧城市、工业制造、自动驾驶等领域的一项关键技术。相比图像分类和目标检测任务，图像分割预测输出目标在像素级别的精细信息，在计算机视觉任务中具有不可替代的作用。
图1 图像分割应用
近些年基于深度学习的图像分割技术飞速发展，使用Transformer结构的语义分割模型取得了令人惊艳的分割精度。但是由于计算量大、推理速度慢等问题，基于Transformer结构的语义分割模型无法很好地应用于实际业务中，所以基于CNN结构的语义分割模型依旧是产业界的主流。实际应用中，对于自动驾驶车端、手机/PC端、机器人等设备，在实时运行情况下获得高精度分割结果是十分必要的。
针对上述问题，
百度提出融合CNN和Transformer结构的实时语义分割模型RTFormer。
https://arxiv.org/abs/2210.07124
RTFormer模型采用双分支架构，创新设计了核心模块RTFormer Block。该模块可以在GPU上高效运行，并且支持跨分支的信息交互。对比实验表明，RTFormer在Cityscapes和CamVid数据集上取得SOTA指标，实现了最佳的精度和速度平衡。此外，PaddleSeg开源RTFormer的官方代码和预训练模型，为大家提供了低门槛、全流程的试用体验。
https://github.com/PaddlePaddle/PaddleSeg
https://github.com/PaddlePaddle/PaddleSeg/tree/develop/configs/rtformer
为避免在使用过程中遇到问题不能高效解决，快加入官方技术交流群吧！研发同学亲自答疑解惑，快来和小伙伴们一起探索一起进步吧！
此前大多实时语义分割模型都是完全基于CNN结构，没有引入在很多视觉任务上都表现出强大能力的Transformer结构。其主要原因是Transformer结构在GPU上运行速度不理想，难以满足实时应用的需求。为了使用Transformer结构的全局上下文建模能力进一步提升实时语义分割模型的性能，我们提出了新的实时语义分割模型RTFormer，其主要贡献包括以下几点。
我们提出了一种GPU上运行友好的Attention Module，并且结合跨分辨率的Cross-Attention构建了双分辨率网络模块RTFormer Block。
GPU-Friendly Attention（GFA）继承了External Attention线性计算复杂度的特性，但相比External Attention和其他线性Attention方案，GFA在GPU上具有更好的性价比。
首先，GFA通过使用普通矩阵乘操作替换Multi-head机制中的分组矩阵乘操作，实现了更适合在GPU上运行的Attention计算方式。同时GFA引入了Group Normalization，这使得网络可以保持Multi-head机制中学习多样特征的能力。此外，由于普通矩阵乘更适合GPU推理，GFA可以一定程度扩大参数数量，提升网络容量。
在GPU-Friendly Attention基础上
，我们引入跨分辨率的Cross-Attention构建了双分辨率网络单元RTFormer Block；
在低分辨率分支上
，使用GFA建模全局上下文；
在高分辨率分支上
，我们通过跨分辨率的Cross-Attention将低分辨率分支上学习到的全局特征广播到高分辨率分支上，从而使得高分辨率分支获得更强的语义信息。
我们设计了一种将传统CNN Block和RTFormer Block组合的Hybrid模型结构，即RTFormer实时语义分割模型。
RTFormer模型的前3个Stage使用CNN Block，这样可以快速地提取图像的局部信息。在后2个Stage中，RTFormer使用上面提到的RTFormer Block作为基本单元，从而高效地获取语义分割任务关注的全局上下文信息。
最终，RTFormer达到了比纯CNN结构更好的精度速度平衡。我们提供了两种大小的模型RTFormer-slim和RTFormer-base，其具体配置如下表：
RTFormer在主流公开数据集Cityscapes和CamVid上达到了SOTA，同时在ADE20K和COCOStuff上验证了通用性。尤其在CamVid上，RTFormer-base在没有Cityscapes预训练情况下达到了mIoU 82.5，取得了显著的提升。
图7 RTFormer在Cityscapes与CamVid数据集上的表现
RTFormer在Cityscapes and CamVid都达到了实时分割SOTA水平。尤其在CamVid上，在没有Cityscapes预训练的前提下，达到了速度190 FPS，精度mIoU 81+的显著效果，明显超越了之前的实时分割方法。
下面是CamVid上的可视化对比图，可以看到RTFormer的全局上下文建模能力相比纯CNN网络结构更强。
图9 RTFormer在ADE20K与COCOStuff数据集上的表现
从上面两个表中可以看出，RTFormer不仅在城市道路场景表现较好，在更通用的场景上也显示了较好的泛化性能。在ADE20K上，相比纯CNN网络DDRNet和纯Transformer网络SegFormer都有较大的优势。
NeurIPS 2022顶会模型RTFormer有效结合了CNN与Transformer结构的优点，针对GPU运行环境进行了精心的优化，实现了实时分割任务目前的SOTA结果。
有了RTFormer，使用Transformer做实时分割不再是梦，小伙伴们还不行动起来？！快点加入技术交流群吧~
图1：辅助驾驶图片来源百度地图APP AR导航截图、3D分割数据集来源于MRISpineSeg spine dataset、人像抠图源于百度飞桨内部工作人员、合作伙伴提供质检数据样例、遥感图像源于deepglobe数据集
图2：合作伙伴提供巡检机器人图片及表盘数据
WAVE SUMMIT+2022将于11月30日在深圳举办，欢迎大家扫码报名！关注飞桨公众号，后台回复关键词「WAVE」进入官网社群了解更多峰会详情！
