KnowledgeTree

外观

Image as Set of Points

约 6770 字大约 23 分钟

2025-02-24

Xu Ma1∗ , Yuqian Zhou2∗ , Huan Wang1 , Can Qin1 , Bin Sun1 , Chang Liu1 , Yun Fu1
1东北大学
2Adobe Inc.

摘要

​ 什么是图像，如何提取潜在的特征？
​ 卷积网络 (ConvNets)将图像视为矩形的有组织的像素，并通过局部区域的卷积操作提取特征；Vision Transformers(ViTs)视觉变压器（ViTs）将图像视为一系列补丁，并通过注意机制在全局范围内提取特征。在这项工作中，我们引入了一个直接而有前途的视觉表示范式，它称为Context Clusters。上下文聚类（CoCs，Context clusters）将图像视为一组无组织的点，并通过简化的聚类算法提取特征。具体地说，每个点都包括原始特征（如颜色）和位置信息（如坐标），并采用简化的聚类算法对深度特征进行分层分组和提取。我们的CoCs是无卷积和无注意的，并且只依赖于聚类算法来进行空间交互。由于简单的设计，我们通过聚类过程的可视化展示了CoCs赋予了令人满意的可解释性。我们的CoCs旨在为图像和视觉表示提供一个新的视角，这可能在不同的领域享有广泛的应用，并表现出深刻的见解。即使我们没有针对SOTA的性能，COCs仍然在几个基准测试上可以取得比ConvNets或ViTs相当甚至更好的结果。
​ 代码可获得： https://github.com/ma-xu/Context-Cluster。

1介绍

​ 我们提取特征的方式在很大程度上取决于我们如何解释图像。作为一种基本范式，卷积神经网络（ConvNets）近年来主导了计算机视觉领域，并显著提高了各种视觉任务的性能(He et al., 2016;Xie et al., 2021; Ge et al., 2021)。从方法论上讲，卷积网络将图片概念化为矩形形式的排列像素的集合，并以滑动窗口的方式使用卷积提取局部特征。受益于一些重要的归纳偏差，如局部性和翻译等价性，卷积网络被证明是高效和有效的。最近，Vision Transformers（ViTs）显著挑战了卷积神经网络在视觉领域的霸权。Transformers (Vaswani et al., 2017)从语言处理中得出，将图像视为一系列补丁，并采用全局范围的自关注操作来自适应地融合补丁中的信息。通过所得到的模型（即ViTs），卷积神经网络中固有的归纳偏差被抛弃，并获得了令人满意的结果(Touvron et al., 2021)。
​ 最近的研究表明，视觉社区有了巨大的进步，这些进步主要建立在卷积或注意力的基础上 (e.g., ConvNeXt (Liu et al., 2022), MAE (He et al., 2022), and CLIP (Radford et al., 2021))。同时，一些尝试将卷积和注意力结合在一起，如CMT (Guo et al., 2022a)和CoAtNet (Dai et al., 2021)。这些方法在网格中扫描图像（卷积），同时探索序列的相互关系（注意力），在不牺牲全局接收（注意力）的情况下享受局部先验（卷积）。虽然它们继承了两者的优点并实现了更好的实证性能，但见解和知识仍然局限于卷积神经网络和ViTs。我们强调，除了卷积和关注之外，一些特征提取器也值得研究，而不是被引诱到追求增量改进的陷阱中。虽然卷积和注意力被认为具有显著的好处，并对视野产生巨大的影响，但它们并不是唯一的选择。基于MLP的架构(Touvron et al., 2022; Tolstikhin et al., 2021)已经证明，纯基于MLP的设计也可以实现类似的性能。
​ 在这项工作中，我们回顾了基本视觉表示的经典算法，聚类方法 (Bishop & Nasrabadi, 2006)。整体地说，我们将图像视为一组数据点，并将所有点分组到集群中。在每个集群中，我们将这些点聚合到一个中心中，然后自适应地将这些中心点分配到所有的点上。我们称之为设计上下文集群。图1说明了这个过程。

image-20250224222659358

​ 具体来说，我们将每个像素视为一个具有颜色和位置信息的5维数据点。在某种意义上，我们将图像转换为一组点云，并利用点云分析的方法 (Qi et al., 2017b; Ma et al.,2022)进行图像视觉表示学习。这连接了图像和点云的表示，显示了很强的泛化，并为多模式的简单融合打开了可能性。利用一组点，我们引入了一种简化的聚类方法来将这些点进行聚类。聚类处理与超级像素像素SuperPixel (Ren & Malik,2003)有相似的想法，其中相似的像素被分组，但它们在本质上是不同的。据我们所知，我们是第一个引入一般视觉表示的聚类方法并使其工作的人。相反，超级像素及以后版本主要用于图像预处理（Jampanani等人，2018）或语义分割等特定任务（Yang等人，2020；Yu等人，2022b）。
​ 我们基于上下文集群实例化我们的深度网络，并将生成的模型命名为上下文集群（CoCs）。我们的新设计与ConvNets或ViTs有本质上的不同，但我们也从它们那里继承了一些积极的哲学，包括来自ConvNets的层次表示（Liu等人，2022），以及来自ViTs的元代表（Yu等人，2022c）框架。CoCs具有明显的优势。首先，通过将图像作为一组点来考虑，CoCs对点云、RGBD图像等不同的数据域表现出了很强的泛化能力。其次，上下文聚类处理为CoCs提供了令人满意的可解释性。通过可视化每一层的聚类，我们可以明确地理解每一层的学习。尽管我们的方法没有针对SOTA的性能，但在几个基准测试上，它仍然取得了比ConvNets或ViTs相当甚至更好的性能。我们希望我们的上下文聚类将为视觉社区带来新的突破。

2相关工作

2.1图像处理中的聚类

​ 虽然图像处理中的聚类方法（Castleman，1996）在深度学习时代已经失宠，但它们从未从计算机视觉中消失。一个历史悠久的作品是SuperPixel (Ren & Malik, 2003)，它通过将一组具有共同特征的像素分组，将图像分割成区域。由于所期望的稀疏性和简单表示，SuperPixel已成为图像预处理的常见做法。在整个图像上简单地应用超级像素穷尽集群（例如，通过K-means算法）像素，使得计算成本沉重。为此，SLIC（Achanta et al.，2012）限制了局部区域的聚类操作，并均匀地初始化K-means中心，以更好更快地收敛。近年来，聚类方法的兴趣激增，并与深度网络紧密相关(Li & Chen，2015年；Jampani等，2018年；秦等，2018年；Yang等，2020年）。为了创建深度网络的超像素，SSN（Jampani et al.，2018）提出了一种可微的SLIC方法，该方法是端到端可训练，具有良好的运行时间。最近，人们尝试将聚类方法应用于网络的特定视觉任务，如分割（Yu et al.，2022b；Xu et al.，2022）和细粒度识别（Huang & Li，2020）。例如，CMT-DeepLab（Yu et al.，2022a）将分割任务中的对象查询解释为集群中心，并将分组的像素分配给每个集群的分割。然而，据我们所知，目前还没有通过聚类进行一般视觉表示的工作。我们的目的是弥补这个空缺，并在数值和视觉上证明其可行性。

2.2ConvNets & ViTs

​ 自深度学习时代以来，ConvNets就一直主导着视觉社区（西蒙尼扬和齐瑟曼，2015年；He等人，2016年）。最近，ViTs（多索维茨基等人，2020年）将视觉社区引入了纯基于注意力的变压器（Vaswani等人，2017年），并在各种视觉任务上设置了新的SOTA性能。一个常见而合理的猜想是，这些令人满意的成就被归功于自我注意机制。然而，这个直观的猜想很快就受到了挑战。大量的实验也表明，ResNet（He等人，2016年）可以通过适当的训练配方和最小的修改，达到同等甚至更好的性能（怀特曼等人，2021年；Liu等人，2022年）。我们强调，虽然卷积和注意力可能具有独特的优点（即网络具有归纳偏差（Liu et al.，2022），而vit擅长泛化（Yuan et al.，2021b）），但它们没有显示出显著的性能差距。与卷积和注意不同，在这项工作中，我们从根本上提出了一个新的范式的视觉表示使用聚类算法。通过定量和定性分析，我们表明，我们的方法可以作为一个新的一般主干，并具有令人满意的可解释性。

2.3最近的进展

​ 在ConvNets和ViTs的框架内，视觉任务的表现得到了广泛的努力（Liu等，2021b；丁等，2022b；Wu等，2021）。为了同时利用卷积和注意力，一些工作学习在混合模式下混合这两种设计，如CoAtNet（Dai等人，2021）和移动前者（Chen等人，2022b）。我们还注意到，一些最近的进展探索了更多的视觉表示方法，超出了卷积和注意力。类MLP模型（托尔斯蒂金等人，2021年；Touvron等人，2022年；侯等人，2022年；Chen等人，2022a)直接考虑空间交互作用的MLP层。此外，一些工作采用了转移（Lian等人，2021；Huang等人，2021）或汇集（Yu et al.，2022c）来进行本地交流。与我们将图像视为无序数据集的工作类似，Vision GNN（ViG）（Han et al.，2022）为视觉任务提取图级特征。不同的是，我们直接应用传统图像处理的聚类方法，表现出良好的泛化能力和可解释性。

3方法

​ 上下文聚类放弃了时尚的卷积或注意力，而考虑经典算法聚类，为视觉学习的表示。在本节中，我们首先描述上下文集群管道。然后详细解释了所提出的特征提取的上下文聚类操作（如图二所示）。

image-20250224224804579

​ 之后，我们建立了上下文集群架构。最后，一些公开的讨论可能会帮助个人理解我们的工作，并根据我们的上下文集群探索更多的方向。

3.1上下文集群管道

3.1.1从图像到点集

​ 给定一个输入图像I∈R3×w×h{\textbf{I}}\in{\mathbb{R}}^{3\times w\times h}，我们首先用每个像素I⁡i,j\operatorname{I}_{i,j}的二维坐标增强图像，其中每个像素的坐标表示为[iw−0.5,jh−0.5][{\frac{i}{w}}-0.5,{\frac{j}{h}}-0.5]。进一步研究位置增强技术以潜在地提高性能是可行的。这种设计是考虑到其简单性和实用性。然后将增强的图像转换为一个点的集合（即像素）P∈R5×n\mathbf{P}\in\mathbb{R}^{5 \times n}，其中，n=w×hn=w\times h是点的数量，每个点同时包含特征（颜色）和位置（坐标）信息；因此，点集可以是无序和杂乱无章的。
​ 我们通过提供一个新的图像视角，一组点来获得优秀的泛化能力。一组数据点可以被认为是一种通用的数据表示，因为大多数领域中的数据可以作为特征和位置信息（或两者中的任何一种）的组合给出。这激励我们将一个图像概念化为一组点。

3.1.2使用图像设置点的特征提取

​ 根据ConvNets方法（He等人，2016；Liu等人，2022年），我们使用上下文聚类块（参考见图2，解释见图3.2）分层提取深度特征。图3显示了我们的上下文集群架构。

image-20250224225440089

​ 给定一组点P∈R5×n\mathbf{P}\in\mathbb{R}^{5 \times n}，我们首先降低点数以提高计算效率，然后应用一系列的上下文聚类块来提取特征。为了减少点数，我们在空间中均匀地选择一些锚点，并将最近的k个点通过线性投影进行连接和融合。请注意，如果所有点按顺序排列，并且k正确设置（即4和9），这种缩减可以通过卷积操作来实现，就像ViT（Dosovitskiy等人，2020）。为了明确前面所述的中心和锚点，我们强烈建议读者查看附录B。

3.1.3任务特定的程序

​ 对于分类，我们对最后一个块输出的所有点进行平均，并使用FC层进行分类。对于下游的检测和分割等密集预测任务，我们需要在每个阶段后按位置重新排列输出点，以满足大多数检测和分割头的需求（如Mask-RCNN（He et al.，2017））。也就是说，上下文集群在分类方面提供了显著的灵活性，但仅限于在密集预测任务的需求和我们的模型配置之间的折衷。我们期望创新的检测和分割头（如DETR（Carion et al.，2020））能够与我们的方法无缝集成。

3.2上下文集群操作

​ 在本小节中，我们将介绍我们工作中的关键贡献——上下文集群操作。整体上，我们首先将特征点分组到聚类中；然后，将每个集群中的特征点进行聚合，然后发回，如图1所示。

3.2.1上下文聚类

​ 给定一组特征点P∈Rn×d\mathbf{P}\in\mathbb{R}^{n \times d}，我们根据相似性将所有的点分成几个组，每个点被单独分配给一个簇。我们首先将P\mathbf{P}线性投影到Ps\mathbf{P}_s来进行相似性计算。根据传统的超像素方法SLIC（Achanta et al.，2012），我们均匀地提出了空间中的c个中心，并通过平均其k个最近点来计算中心特征。然后我们计算了在Ps\mathbf{P}_s和所得到中心点集之间的成对余弦相似度矩阵S∈Rc×n\mathbf{S}\in\mathbb{R}^{c \times n}。由于每个点同时包含特征信息和位置信息，因此在计算相似性时，我们隐式地突出了这些点的距离（局部性）和特征相似性。之后，我们将每个点分配到最相似的中心，从而得到c个集群。值得注意的是，每个集群可能有不同数量的点。在极端情况下，一些集群可能有零点，在这种情况下，它们是冗余的。

3.2.2特征聚合

​ 我们根据与中心点的相似性动态地聚合集群中的所有点。假设一个簇包含m个点（P中的一个子集），m个点与中心的相似度为s∈Rms\in\mathbb{R}^{m}（S中的一个子集），我们将这些点映射到一个值空间，得到Pν∈Rm×d′P_{\nu}\in\mathbb{R}^{m\times d^{\prime}}，其中d′d^{\prime}是值维数。我们还提出了一个在价值空间中的中心vc，如聚类中心方案。聚合特征g∈Rdg\in\mathbb{R}^{d}由：

g=1C(νc+∑i=1msig (αsi+β)∗νi),s.t.,    C=1+∑i=1msig (αsi+β) .g={\frac{1}{C}}\left(\nu_{c}+\sum_{i=1}^{m}\mathrm{{sig}}\,(\alpha s_{i}+\beta)*\nu_{i}\right),\qquad{\mathrm{s.t.}},\;\;C=1+\sum_{i=1}^{m}\mathrm{{sig}}\,(\alpha s_{i}+\beta)\,.

​ 在这里，α和β是可学习的标量来缩放和移动相似度，而sig（·）是一个s型函数来重新缩放相似度到（0,1）。νi\nu_{i}表示PνP_{\nu}中的第i个点。根据经验，这种策略将比直接应用原始相似性获得更好的结果，因为没有涉及负值。Softmax不被考虑，因为这些点之间并不相互矛盾。我们在等式1中加入了价值中心vc为数值稳定性1^1以及进一步强调的局部性。为了控制大小，聚合特征归一化为CC。
​ （1如果没有涉及到vc，也没有任何点被同时分组到集群中，那么C将为零，网络就不能被优化。在我们的研究中，这个难题经常发生。添加一个像1e−5这样的小值并没有帮助，并且会导致梯度消失的问题。）

3.2.3特征处理

​ 然后，聚合的特征g根据相似性自适应地分配到集群中的每个点。通过这样做，这些点可以相互通信，并共享来自集群中所有点的特征，如图1所示。对于每个点pi，我们更新它

pi′=pi+FC(sig(αSi+β)∗g).p_{i}^{\prime}=p_{i}+\mathrm{FC}\left(\mathrm{sig}\left(\alpha S_{i}+\beta\right)*g\right).

​ 在这里，我们遵循相同的过程来处理相似性，并应用一个全连接（FC）层来匹配特征维度（从值空间维度d′d^{\prime}到原始维度d）。

3.2.3多头计算

​ 我们承认自我注意机制中的多头设计（Vaswani et al.，2017），并使用它来增强我们的上下文集群。为了简单起见，我们考虑h头，并将值空间Pv和相似度空间Ps的维数设为d′d^{\prime}。多头操作的输出由一个FC层连接和融合。正如我们通过经验证明的那样，多头体系结构也有助于上下文集群的令人满意的改进。

3.3架构初始化

​ 虽然上下文集群从根本上不同于卷积和关注，但来自ConvNets和vit的设计理念，如层次表示和元变压器架构（Yu et al.，2022c），仍然适用于上下文集群。为了与其他网络对齐，并使我们的方法与大多数检测和分割算法兼容，我们在每个阶段逐步减少点数16、4、4和4倍。在第一阶段，我们考虑了选定锚点的16个最近邻，在其余阶段，我们选择了它们的9个最近邻。
​ 一个潜在的问题是计算效率。假设我们有n个d维点和c个聚类，计算特征相似度的时间复杂度为O（ncd），当输入图像分辨率较高时，这是不可接受的（例如，224×224）。为了解决这个问题，我们引入了区域划分，将点分割成几个局部区域，如SwinTransformer（Liu et al.，2021b），并计算局部相似度。因此，当局部区域的数量设置为r时，我们显著地将时间复杂度降低了r的因子，从O（ncd）到O(rnrcrd)O\left(r{\frac{n}{r}}{\frac{c}{r}}d\right)。详细配置见附录A。请注意，如果我们将点集分割到几个局部区域，我们将限制上下文集群的接受域，并且局部区域之间没有可用的通信。

3.4讨论

3.4.1集群的固定中心还是动态中心？

​ 传统的聚类算法和超像素技术都是迭代地更新中心直到收敛。然而，当集群被用作每个构建块中的关键组件时，这将导致过高的计算成本。推理时间将呈指数级增长。在上下文集群中，我们将固定中心视为推理效率的一种替代方案，这可以被认为是准确性和速度之间的一种折衷方案。

3.4.2是重叠的还是不重叠的集群？

​ 我们只将点分配到一个特定的中心，这不同于以前的点云分析设计理念。我们有意地坚持传统的聚类方法（非重叠聚类），因为我们想证明简单和传统的算法可以作为一个通用的主干。尽管重叠聚类可能会产生更高的性能，但重叠聚类对我们的方法并不是必需的，而且可能会导致额外的计算负担。

4实验

​ 我们验证了ImageNet-1K (Deng et al., 2009), ScanObjectNN (Uy et al., 2019), MS COCO (Lin et al., 2014), 和ADE20k (Zhou et al., 2017)数据集，用于图像分类、点云分类、目标检测、实例分割和语义分割任务。
​ 即使我们没有追求像ConvNeXt (Liu et al., 2022) 和DaViT (Ding et al., 2022a)那样的最先进的性能，上下文集群仍然在所有任务上都显示出有希望的结果。详细的研究证明了我们的上下文集群的可解释性和泛化能力。

4.1在ImageNet-1K上的图像分类

4.2聚类可视化

4.3扫描对象网络上的三维点云分类

4.4MS-COCO上的对象检测和实例分割

4.5ADE20K上的语义分割

5结论

​ 我们引入了上下文集群，一种新的特征提取范式的视觉表示。受点云分析和超像素算法的启发，我们将图像视为一组无组织的点，并采用简化的聚类方法来提取特征。在图像解释和特征提取操作方面，上下文集群与ConvNets和vit有根本上的区别，并且在我们的架构中不涉及卷积或关注。我们展示了我们的上下文集群可以在多个任务和域上获得与ConvNet和ViT基线相当甚至更好的结果，而不是追求SOTA的性能。最值得注意的是，我们的方法显示出了很好的可解释性和泛化特性。我们希望我们的上下文集群除了具有卷积和注意力外，还可以作为一种新的视觉表示方法。
​ 正如结尾的附录3所讨论的，我们的视觉表示的新视角和设计也带来了新的挑战，主要是在准确性和速度之间的妥协。更好的策略值得探索。脱离当前的检测和分割框架，将我们的上下文聚类哲学应用于其他任务，也是一个值得追求的方向。

6代码结构

6.1.总体架构

image-20250226101653920

​ 其中forward_embeddings的作用是将位置信息嵌入，然后进行降维，forward_tokens的作用是聚类，然后基于聚类结果进行特征融合。

6.2.forward_embeddings

image-20250226101849604

​ RGB三维加上横向竖向的两维，总共五维，作为输入，然后使用卷积，降低分辨率，即降低要聚类的点：由1024*1024个点降为256*256个点。

6.3.forward_tokens

image-20250226110412217

​ forward_tokens的作用是聚类，然后基于聚类结果进行特征融合，具体而言，其在不同的尺度上进行聚类块的操作，以保证聚类引导结果。其使用PointRecuder降低分辨率。

6.3.1.ClusterBlock

image-20250226102347529

​ 这里只展示第一个stage下的ClusterBlock模块，具体而言，首先使用Cluster模块进行聚类，与可学习的权重相乘再与原来的相加，随后使用MLP层，与可学习的权重相乘再与原来的相加。

6.3.2.ClusterBlock中的Cluster模块

​ 聚类模块是这篇论文的重点，其是将一个空间的聚类结果指导另一个空间的计算，其大致如下：

image-20250325162851687

​ 我们首先将这些点映射到一个点空间Ps\mathbf{P}_s和一个值空间Pν\mathbf{P}_{\nu}，其中Ps\mathbf{P}_s来进行相似性计算。

image-20250303112600303

​ 然后使用了区域划分，将点分割成64个局部区域，通过池化操作，得到初始化的中心。

image-20250303112629918

​ 然后计算局部相似度。

image-20250303112818784

​ 其中创建掩膜并应用是指如下，这样每个点就被分到一个类下。

# we use mask to sololy assign each point to one center
sim_max, sim_max_idx = sim.max(dim=1, keepdim=True)
mask = torch.zeros_like(sim)  # binary #[B,M,N]
mask.scatter_(1, sim_max_idx, 1.)
sim = sim * mask

​ 然后是将特征聚合，按照公式融合特征。

image-20250226105153915

​ 最后得到输出结果。

6.3.3.ClusterBlock中的MLP模块

class Mlp(nn.Module):
    """
    Implementation of MLP with nn.Linear (would be slightly faster in both training and inference).
    Input: tensor with shape [B, C, H, W]
    """

    def __init__(self, in_features, hidden_features=None,
                 out_features=None, act_layer=nn.GELU, drop=0.):
        super().__init__()
        out_features = out_features or in_features
        hidden_features = hidden_features or in_features
        self.fc1 = nn.Linear(in_features, hidden_features)
        self.act = act_layer()
        self.fc2 = nn.Linear(hidden_features, out_features)
        self.drop = nn.Dropout(drop)
        self.apply(self._init_weights)

    def _init_weights(self, m):
        if isinstance(m, nn.Linear):
            trunc_normal_(m.weight, std=.02)
            if m.bias is not None:
                nn.init.constant_(m.bias, 0)

    def forward(self, x):
        x = self.fc1(x.permute(0, 2, 3, 1))
        x = self.act(x)
        x = self.drop(x)
        x = self.fc2(x).permute(0, 3, 1, 2)
        x = self.drop(x)
        return x

​ MLP就是线性层、激活函数和dropout层构成。

6.3.4.PointRecuder层

​ PointRecuder是由卷积层构成，kernel_size=(3, 3), stride=(2, 2), padding=(1, 1)。

6.3.5.各个stage下的设置

image-20250226105756280

7基于此论文的改进论文

7.1 ClusterFomer

​ 发表于A类会议,NeurIPS,2023，其解析为clusterformer，该模型包含两个创新设计：①循环交叉注意力聚类，重新定义了TransFORMER中的交叉注意力机制，通过递归更新聚类中心，促进强大的表示学习；②特征调度，利用更新后的聚类中心，通过基于相似性的度量重新分配图像特征，形成一个透明的处理流程。

​ 代码层面，其改进了ClusterBlock中的Cluster模块。

7.2 FEC

​ 发表于A类会议,CVPR,2024，其解析为Neural Clustering based Visual Representation Learning，FEC算法通过两种交替操作实现：首先将像素分组为独立簇以提取抽象特征，随后利用当前特征向量更新像素的深度特征。这种迭代机制通过多层神经网络实现，最终生成的特征向量可直接应用于下游任务。各层间的聚类分配过程可供人工观察验证，使得FEC的前向计算过程完全透明化，并赋予其出色的自适应可解释性。