【未完待续】综述：用于视频分割（Video Segmentation）的深度学习

A Survey on Deep Learning Technique for Video Segmentation

0. 摘要

本文回顾视频分割的两条基本研究路线：视频目标分割（object segmentation）和视频语义分割（semantic segmentation）。本文介绍它们各自的task setting、背景概念、感知需求、发展历史以及主要挑战。本文详细概述相关的方法和数据集的代表性文献。本文在一些知名的数据集上对这些方法检测（benchmark）。最后，指出这些领域的opne issue以及未来的研究方向。

1. 简介

视频分割（找出视频中具有特殊性质或者语义（semantics）的关键目标）是计算机视觉（computer vision，CV）中基础且有挑战性的的问题。它有无数潜在的应用：自动驾驶、机器人、监控（surveillance）、社交媒体、AR、电影制作以及视频会议。

这个问题已经被传统的CV和机器学习（machine learning，ML）方法解决。包括：

• hand-crafted features (e.g., histogram statistics, optical flow, etc.)
• heuristic prior knowledge (e.g., visual attention mechanism, motion boundaries, etc.)
• low/mid-level visual representations (e.g., super-voxel, trajectory, object proposal, etc.)
• classical machine learning models (e.g., clustering, graph models, random walks, support vector machines, random decision forests, markov random fields, conditional random fields, etc.)

最近，深度网络（DNN），尤其是全卷积网络（FCN）在视频分割取的巨大进展。相比于传统方法，这些基于深度学习（Deep Learning，DL）的（Video Segmentation，VS）算法有更高的精度（有时甚至更有效）。

全卷积网络（fully convolutional network，FCN）采用卷积神经网络实现了从图像像素到像素类别的变换。与卷积神经网络有所不同，全卷积网络通过转置卷积（transposed convolution）层将中间层特征图的高和宽变换回输入图像的尺寸，从而令预测结果与输入图像在空间维（高和宽）上一一对应：给定空间维上的位置，通道维的输出即该位置对应像素的类别预测。

现在大多数的研究视角狭隘，例如，只关注视频的前景/背景分割。本文系统地介绍了VS的最新进展，跨度从任务公式化（task formulation）到分类（taxonomy）、从算法到数据集、从未解决的问题到未来的研究方向，涵盖的关键点包括：

• 任务类别（前景/背景分离、语义分割）
• 推断模型（自动的、半自动的、交互的）
• 学习方式（监督、无监督、弱监督）
• 澄清术语（减背景法（background subtraction）、运动分割（motion segmentation））

本文主要关注VS两个主要分支（目标分割、语义分割）的最新进展，之后会分为八个子领域。本文参考来自有名望的期刊和会议中有影响力的作品，也包含其他领域（例如：视觉跟踪）中非深度学习的视频分割模型和文献。

上图是本文回顾的视频分割任务：

• 目标级自动视频目标分割（object-level AVOS）
• 实例级自动视频目标分割（instance-level AVOS）
• 半自动视频目标分割（SVOS）
• 交互式视频目标分割（IVOS）
• 语言引导的视频目标分割（LVOS）
• 视频语义分割（VSS）
• 视频实例分割（VIS）
• 视频全景分割（video panoptic segmentation，VPS）

上图是本文的结构。

2. 背景

2.1 问题公式化和分类学

令 X 和 Y 分别表示输入空间和输出的分割空间，基于深度学习的VS就是要找到一个理想映射。

2.1.1 视频分割（VS）的类别

基于如何定义输出空间Y，VS大致可分为两类：VOS、VSS。

视频目标（前景/背景）分割（VOS）：Y 是一个二值的前景/背景分割空间。VOS应用于视频分析以及编辑场景，例如：移除电影中的目标、基于内容的视频编码、视频会议中生成虚拟背景。

视频语义分割（VSS）：图像语义分割向时空（spatio-temporal）域的直接扩展。目标是从视频中提取属于预定义语义类别（例如：车、建筑物、人行道、道路）的对象。因此，Y 对应一个多类别的语义解析（parsing）空间。VSS是许多应用的的感知基础，这些应用要求对环境的高度理解，例如：机器人感知、人机交互、自动驾驶。

评论：VOS和VSS有相同的挑战，例如：快速移动和目标遮挡（object occlusion）。不同的应用场景有不同的挑战。例如：VOS通常关注人类创造的媒介，这些媒介具有较大的镜头移动、变形和外观变化；VSS通常关注像自动驾驶这样的应用，要求精度和时延的权衡、对小目标精确地探测、模型的并行性、跨域泛化能力。

2.1.2 视频分割（VS）的推断模式（Inference Modes）

基于人类参与推断的程度，VOS又被进一步分成三类：自动、半自动、交互式。

自动视频目标分割（AVOS）：又被成为无监督VS、zero-shot VS。它自动执行VOS，且不需要手动初始化。

半自动视频目标分割（SVOS）：又被称为半监督学习、one-shot VS，通过有限的人类监督（通常在第一帧提供）找出所需的目标。典型的人类输入是在视频第一帧的目标掩模（mask），这种情况下，SVOS也叫做像素跟踪，或掩模传播。从这个角度来看，语言引导的视频目标分割（LVOS）是SVOS的一个分支，其中，人类输入是关于所需对象的语言描述。与AVOS相比，SVOS定义target objects更灵活，但需要人工输入。

交互式视频目标分割（IVOS）：一旦target确定，SVOS就自动运行；而IVOS的进程需要人为引导。

与VOS不同，VSS是自动模式，除了少量早期方法使用半自动模式，例如：label propagation。

2.1.3 视频分割（VS）的学习方法

根据训练策略，基于DL的VS可以分为三个类别：监督、半监督、弱监督。

监督学习：完全使用labelled data学习，使模型输出贴近label。

无监督（自监督，self-supervised）学习：完全使用unlabeled data学习。无监督学习包括完全无监督学习（不需要任何label）和自监督学习（不需要人工标注，使用自动生成的伪标签（pseudo labels）训练网络）。几乎所有现存的无监督VS都是自监督学习。

弱监督（weakly-supervised）学习：使用有限数目的labelled data学习，且该label易于标注，例如：边界。

2.2 历史和术语

VS的早期尝试是video over-segmentation：基于特定区域像素强度的不连续性和相似性。典型的方法包括：hierarchical video segmentation，temporal superpixel，super-voxels。这些方法适用于视频的预处理，但是不能解决目标级的分割问题。因为它们不能把分层（hierarchical）视频分解为二值分割。

二值分割：首先把图像转换成灰度图像，然后设置一个用来进行二值分割的阈值，再遍历灰度图像的每个像素点。如果该像素点的灰度值大于阈值，就将该像素点灰度值设为255，如果该像素点的灰度值小于阈值，就将该像素点灰度值设为0。

为了从视频序列中提取前景目标，在70年代后期，减背景法（background subtraction）出现了。 他们假设背景是先验已知的，并且相机是静止的或经历可预测的、参数化的2D或具有3D视差的3D运动。这些基于几何的方法非常适合特定的应用场景，如监控系统，但它们对模型选择（2D或3D）敏感，无法处理相机非确定移动的场景。

视差（parallax）：从不同位置观察物体所产生的位置或方向上的差别

运动分割（motion segmentation）：寻找运动的目标。减背景法可视为运动分割的特例。然而，大多数运动分割模型是基于运动分析、因子分解和统计技术建立的，这些技术在相机运动模式未知的情况下对运动场景的特征进行建模。

轨迹分割（trajectory segmentation）：运动分割的一种。轨迹由多个帧上的跟踪点生成，表示长期的运动模式，可作为分割的信息提示。基于运动的方法严重依赖于光流估计的准确性，并且当物体的不同部分表现出不同的运动模式时，可能会失败。

光流(optical flow)：分析运动图像的重要方法，指时变图像中亮度模式的运动。因为当物体在运动时，它在图像上对应点的亮度模式也在运动。（百科）

在分析光流时，需要用到两个重要假设：1.对象的像素强度在连续帧之间不会改变。2.相邻像素具有相似的运动。（参考）

AVOS可以克服上面所说的限制。一些方法在视频的每一帧中生成大量候选目标，并将分割视频目标的任务转化为目标区域选择的问题。这些算法的主要缺点是计算量大以及复杂的目标推断。还有一些人探索了启发式假设，如visual-attention和运动边界，但在启发式假设不成立的场景中很容易失败。

启发式（heuristic）： “自我发现的能力”或“运用某种方式或方法去判定事物的知识和技能”

运动边界（motion boundary）：提取运动物体的边界信息（轮廓）

早期的SVOS通常依赖于光流，且和目标跟踪很像。此外，IVOS在大量的人类指导下完成高质量视频分割任务。SVOS和IVOS的灵活性和准确性的代价：由于人工参与，不可能大规模使用。

由于VSS任务的复杂性，在DL时代之前，相关研究很少。该方法主要依赖于有监督的分类器（例如，SVM）以及video over-segmentation。

综上，相比于以往的方法，基于DL的方法进一步提升了VS的性能。

2.3 相关研究领域

视觉跟踪：为了推断时变目标的位置，现有方法通常假设目标在视频的第一帧就已经被圈定了。视觉跟踪和VS有一些共通的挑战（例如：目标/相机运动、外观改变、目标遮挡等），这促使了它们的联合使用。

图像语义分割：端到端图像语义分割的成功促使VSS快速发展。最近的VSS基于时间连续性提升分割的精度和有效性，而不是对视频逐帧的使用图像语义分割。

视频目标检测：为了进行视频目标检测，视频目标检测器使用了框或特征级的时间线索。视频目标检测和（实例级）视频分割之间存在许多关键技术步骤和挑战，如目标建议（object proposal）生成、时间信息聚合和帧间目标关联。

目标建议（object proposal）的基本思路就是在图像上找到一些潜在的目标，而不是穷举！然后将这些潜在的目标输入目标识别模型进行分类。

3. 基于深度学习（DL）的视频分割（VS）

3.1 基于DL的视频目标分割（VOS）

VOS从视频序列中提取通用前景对象，而不考虑语义类别识别。基于人工参与度，VOS分为AVOS、SVOS、IVOS。

3.1.1 自动视频目标分割（AVOS）

现代的AVOS以数据驱动的方式学习通用视频目标模式。

上图是一些AVOS技术的特点，其中的Instance表示instance级或者object级的分割。

基于DL的方法：

• 2015年，Fragkiadaki做出了早期的努力。他学习了一个多层感知器来对propoasl segments进行排序并推断前景目标。
• 2016年，Tsai提出了用于AVOS和光流估计的联合优化框架，该框架使用了一个预训练分类网络的深度特征。
• 后来的方法，基于帧或光流预测初始的、像素级的前景，尽管仍需要一些后续步骤。
• 基本上，这些原始解决方案主要依赖于传统的AVOS技术；神经网络的学习能力尚不充分。

基于像素实例Embedding的方法：首先生成像素级实例embeddings，然后选择聚类为前景或者背景的代表性embeddings。最终，被采样embeddings的label被传播给其他embeddings。聚类和传播是无监督的。虽然使用了较少的注释，但这些方法的却是支离破碎且复杂的。

基于短时信息编码的端到端的方法：

• 卷积递归神经网络（CRNN，CNN用于特征提取，RNN基于特征预测）用于学习时空视觉模式。
• 双流法（two-stream）：构建并行双流从图像和光流中提取特征。双流特征融合（feature fusion）之后用于分割预测。双流法充分利用了外观和运动信息，代价是光流的计算以及大量需要学习的参数。

这些端到端的方法提升了精度，并且显示了使用神经网络的优势。然而，它们只考虑了有限时间跨度内的局部内容：提取少量连续帧中的外观和运动信息作为输入，忽视了间隔较远帧的关系。虽然通常使用RNN，但它们的内部隐藏内存（internal hidden memory）在建模长期依赖性时造成了固有的限制。

基于长时语境编码的端到端的方法：目前领先的AVOS使用长时间跨度上的全局语境（global context）。

• Lu提出了基于Siamese结构的模型：提取任意成对帧的特征，然后通过计算像素级特征相关性来获取cross-frame context。
• 另一个同时期的方式有相似的思想，但是只是把第一帧作为参考。
• 还有一些扩展研究改进对多个帧中信息的使用、编码空间语境、结合时间连续性，从而提升表示能力（representation power）和计算有效性。

基于无/弱监督的方法：只有少数AVOS使用无/弱标签数据训练。

相比于VS data，更容易获取的静态图像目标分割和动态注视data被用于学习通用的视频目标模式。

通过探索视频在多个粒度（granularity）上的固有属性来学习视觉模式，例如：帧内显著性（saliency,）、短时视觉连贯性、长程语义对应性、视频级辨别性。

通过最小化目标的运动与其语境之间的互信息，开发了一种对抗性（adversarial）语境模型来分割运动目标，且无需任何手动注释。还可通过自举（bootstrapping）策略和强制时间连续性进一步增强该方法。

对运动专门研究用于发现移动的目标，并且基于Transformer的模型使用未标记视频数据的自监督流重建（self-supervised flow reconstruction）来设计和训练。

实例级AVOS方法：又称为多目标无监督视频分割。这个任务更有挑战性，因为它不止需要把多个前景从背景中分离出来，还要区分不同的实例目标。目前该任务的解决办法是从宏观到微观（top-down）的办法：生成每一帧的候选目标，然后联合不同帧的实例。

综上，目前的实例级AVOS遵循古典的通过检测进行跟踪的办法，精度和有效性仍有相当大的提升空间。

3.1.2 半自动视频目标分割（SVOS）

基于DL的SVOS主要关注第一帧的掩模传播（mask propagation）。该技术基于目标掩模的测试时间进行分类。

基于online fine-tune的方法：基于one-shot的方法，以一种online的方法分别在每一个给定的目标掩模上训练一个分割模型。Fine-tune本质上是开发神经网络迁移学习的能力，并且通常有两步：

• 离线pre-train：从图像和视频序列中学习通用的分割特征；
• 在线fine-tune：基于监督学习目标专门的representation。

然而，fine-tune的方法有一些缺点：

• 预训练是固定的，且没有为之后的fine-tune优化；
• online fine-tune的超参数通常过于专门设计，所以不具有良好的泛化能力；
• 现存的fine-tune都有着高运行时间（每个分割目标多达1000次训练迭代）。根本原因在于这些方法编码了所有与目标相关的信息（例如：外观、掩模）

为了自动有效的进行fine-tune，人们开始使用meta learning，即优化fine-tune policy（例如：通用的模型初始化、learning rate等）或者直接更改网络权重。

基于传播的方法：