GMMSeg 同時具備判別式與生成式模型的優勢，在語義分割領域，首次實現使用單一的模型實例，在閉集 (closed-set) 及開放世界 (open-world) 分割任務中同時取得先進性能。

當前主流語義分割算法本質上是基于 softmax 分類器的判別式分類模型，直接對 p (class|pixel feature) 進行建模，而完全忽略了潛在的像素數據分布，即 p (class|pixel feature)。這限制了模型的表達能力以及在 OOD (out-of-distribution) 數據上的泛化性。 在最近的一項研究中，來自浙江大學、悉尼科技大學、百度研究院的研究者們提出了一種全新的語義分割范式 —— 基于高斯混合模型（GMM）的生成式語義分割模型 GMMSeg。

GMMSeg: Gaussian Mixture based Generative Semantic Segmentation Models

論文鏈接：https://arxiv.org/abs/2210.02025

代碼鏈接：https://github.com/leonnnop/GMMSeg

GMMSeg 對像素與類別的聯合分布進行建模，通過 EM 算法在像素特征空間學習高斯混合分類器 (GMM Classifier)，以生成式范式對每一個類別的像素特征分布進行精細捕捉。與此同時，GMMSeg 采用判別式損失來端到端的優化深度特征提取器。這使得 GMMSeg 同時具備判別式與生成式模型的優勢。 實驗結果表明，GMMSeg 在多種分割網絡架構 (segmentation architecture) 及骨干網絡 (backbone network) 上都獲得了性能提升；同時，無需任何后處理或微調，GMMSeg 可以直接被應用到異常分割 (anomaly segmentation) 任務。 迄今為止，這是第一次有語義分割方法能夠使用單一的模型實例，在閉集 (closed-set) 及開放世界 (open-world) 條件下同時取得先進性能。這也是生成式分類器第一次在大規模視覺任務中展示出優勢。 判別式 v.s. 生成式分類器

在深入探討現有分割范式以及所提方法之前，這里簡略引入判別式以及生成式分類器的概念。 假設有數據集合 D，其包含成對的樣本 - 標簽對 (x, y)；分類器的最終目標是預測樣本分類概率 p (y|x)。分類方法可以被分為兩類：判別式分類器以及生成式分類器。

判別式分類器：直接建模條件概率 p (y|x)；其僅僅學習分類的最優決策邊界，而完全不考慮樣本本身的分布，也因此無法反映樣本的特性。

生成式分類器：首先建模聯合概率分布 p (x, y)，而后通過貝葉斯定理推導出分類條件概率；其顯式地對數據本身的分布進行建模，往往針對每一個類別都會建立對應的模型。相比于判別式分類器，其充分考慮了樣本的特征信息。

主流語義分割范式：判別式 Softmax 分類器 目前主流的逐像素分割模型大多使用深度網絡抽取像素特征，而后使用 softmax 分類器進行像素特征分類。其網絡架構由兩部分組成： 第一部分為像素特征提取器，其典型架構為編碼器 - 解碼器對，通過將 RGB 空間的像素輸入映射到 D - 維度的高維空間獲取像素特征。 第二部分為像素分類器，即主流的 softmax 分類器；其將輸入的像素特征編碼為 C - 類實數輸出（logits），而后利用 softmax 函數對輸出（logits）歸一化并賦予概率意義，即利用 logits 計算像素分類的后驗概率：

最終，由兩個部分構成的完整模型將通過 cross-entropy 損失進行端到端的優化：

在此過程中，模型忽略了像素本身的分布，而直接對像素分類預測的條件概率 p (c|x) 進行估計。由此可見，主流的 softmax 分類器本質為判別式分類器。 判別式分類器結構簡單，并因其優化目標直接針對于縮小判別誤差，往往能夠取得優異的判別性能。然而與此同時，其有一些尚未引起已有工作重視的致命缺點，極大的影響了 softmax 分類器的分類性能及泛化性：

首先，其僅僅對決策邊界進行建模；完全忽視了像素特征的分布，也因而無法對每一個類別的具體特性進行建模與利用；削弱了其泛化性以及表達能力。

其次，其使用單一的參數對 (w,b) 建模一個類別；換言之，softmax 分類器依賴于單模分布 (unimodality) 假設；這種極強且過于簡化的假設在實際應用往往不能成立，這導致其只能夠取得次優的性能。

最后，softmax 分類器的輸出無法準確反映真實的概率意義；其最終的預測只能作為與其他類別進行比較時的參考。這也正是大量主流分割模型較難檢測出 OOD 輸入的根本原因。

針對這些問題，作者認為應該對目前主流的判別式范式進行重新思考，并在本文中給出了對應的方案：生成式語義分割模型 ——GMMSeg。 生成式語義分割模型：GMMSeg 作者從生成式模型的角度重新梳理了語義分割過程。相較于直接建模分類概率 p (c|x)，生成式分類器對聯合分布 p (x, c) 進行建模，而后使用貝葉斯定理推導出分類概率：

其中，出于泛化性考慮，類別先驗 p (c) 往往被設置為 uniform 分布，而如何對像素特征的類別條件分布 p (x|c) 進行建模，就成為了當前的首要問題。 在本文中，即 GMMSeg 中，采用高斯混合模型對 p (x|c) 進行建模，其形式如下：

在分模型 (component) 數目不受限的情況下，高斯混合模型理論上能夠擬合任意的分布，因而十分優雅且強大；同時，其混合模型的本質也使得建模多模分布 (multimodality)，即建模類內變化，變得可行?；诖?，本文采用極大似然估計來優化模型的參數：

其經典的解法為 EM 算法，即通過交替執行 E-M - 兩步逐步優化 F - 函數：

具體到高斯混合模型的優化；EM 算法實際上在 E - 步中，對數據點屬于每一個分模型的概率進行了重新估計。換言之，其相當于在 E - 步中對像素點進行了軟聚類 (soft clustering)；而后，在 M - 步，即可利用聚類結果，再次更新模型參數。

然而在實際應用中，作者發現標準的 EM 算法收斂緩慢，且最終結果較差。作者懷疑是由于 EM 算法對參數優化初始值過于敏感，導致其難以收斂到更優的局部極值點。受到近期一系列基于最優傳輸理論 (optimal transport) 的聚類算法的啟發，作者對混合分模型分布額外引入了一個 uniform 先驗：

相應的，參數優化過程中的 E - 步驟被轉化為約束優化問題，如下：

這個過程可以被直觀的理解成，對聚類過程引入了一個均分的約束：在聚類過程中，數據點能夠被一定程度上均勻的分配給每一個分模型。引入此約束之后，此優化過程就等價于下式列出的最優傳輸問題：

此式可以利用 Sinkhorn-Knopp 算法快速求解。而整個改進過后的優化過程被命名為 Sinkhorn EM，其被一些理論工作證明，具有與標準 EM 算法相同的全局最優解，且更不容易陷入局部最優解。 在線混合 (Online Hybrid) 優化 之后，在完整的優化過程中，文章中使用了一種在線混合 (online hybrid) 的優化模式：通過生成式 Sinkhorn EM，在逐漸更新的特征空間中，不斷對高斯混合分類器進行優化；而對于完整框架中另一個部分，即像素特征提取器部分，則基于生成式分類器的預測結果，使用判別式 cross-entropy 損失進行優化。兩個部分交替優化，互相對齊，使得整個模型緊密耦合，并且能夠進行端到端的訓練：

在此過程中，特征提取部分只通過梯度反向傳播優化；而生成式分類器部分，則只通過 SinkhornEM 進行優化。正是這種交替式優化的設計，使得整個模型能夠緊湊的融合在一起，并同時繼承來自判別式以及生成式模型的優勢。 最終，GMMSeg 受益于其生成式分類的架構以及在線混合的訓練策略，展示出了判別式 softmax 分類器所不具有的優勢：

其一，受益于其通用的架構，GMMSeg 與大部分主流分割模型兼容，即與使用 softmax 進行分類的模型兼容：只需要替換掉判別式 softmax 分類器，即可無痛增強現有模型的性能。

其二，由于 hybrid 訓練模式的應用，GMMSeg 兼并了生成式以及判別式分類器的優點，且一定程度上解決了 softmax 無法建模類內變化的問題；使得其判別性能大大提升。

其三，GMMSeg 顯式建模了像素特征的分布，即 p (x|c)；GMMSeg 能夠直接給出樣本屬于各個類別的概率，這使得其能夠自然的處理未曾見過的 OOD 數據。

實驗結果 實驗結果表明，不論是基于 CNN 架構或者是基于 Transformer 架構，在廣泛使用的語義分割數據集 (ADE20K, Cityscapes, COCO-Stuff) 上，GMMSeg 都能夠取得穩定且明顯的性能提升。

除此之外，在異常分割任務中，無需對在閉集任務，即常規語義分割任務中訓練完畢的模型做任何的修改，GMMSeg 即可在所有通用評價指標上，超越其他需要特殊后處理的方法。

審核編輯 ：李倩