当前主流语义分割算法本质上是基于 softmax 分类器的判别式分类模型，直接对 p (class|pixel feature) 进行建模，而完全忽略了潜在的像素数据分布，即 p (class|pixel feature)。这限制了模型的表达能力以及在 OOD (out-of-distribution) 数据上的泛化性。
在最近的一项研究中，来自浙江大学、悉尼科技大学、百度研究院的研究者们提出了一种全新的语义分割范式 —— 基于高斯混合模型（GMM）的生成式语义分割模型 GMMSeg。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
- 论文链接：https://arxiv.org/abs/2210.02025
- 代码链接：https://github.com/leonnnop/GMMSeg
GMMSeg 对像素与类别的联合分布进行建模，通过 EM 算法在像素特征空间学习高斯混合分类器 (GMM Classifier)，以生成式范式对每一个类别的像素特征分布进行精细捕捉。与此同时，GMMSeg 采用判别式损失来端到端的优化深度特征提取器。这使得 GMMSeg 同时具备判别式与生成式模型的优势。
实验结果表明，GMMSeg 在多种分割网络架构 (segmentation architecture) 及骨干网络 (backbone network) 上都获得了性能提升；同时，无需任何后处理或微调，GMMSeg 可以直接被应用到异常分割 (anomaly segmentation) 任务。
迄今为止，这是第一次有语义分割方法能够使用单一的模型实例，在闭集 (closed-set) 及开放世界 (open-world) 条件下同时取得先进性能。这也是生成式分类器第一次在大规模视觉任务中展示出优势。
判别式 v.s. 生成式分类器
在深入探讨现有分割范式以及所提方法之前，这里简略引入判别式以及生成式分类器的概念。
假设有数据集合 D，其包含成对的样本 - 标签对 (x, y)；分类器的最终目标是预测样本分类概率 p (y|x)。分类方法可以被分为两类：判别式分类器以及生成式分类器。
- 判别式分类器：直接建模条件概率 p (y|x)；其仅仅学习分类的最优决策边界，而完全不考虑样本本身的分布，也因此无法反映样本的特性。
- 生成式分类器：首先建模联合概率分布 p (x, y)，而后通过贝叶斯定理推导出分类条件概率；其显式地对数据本身的分布进行建模，往往针对每一个类别都会建立对应的模型。相比于判别式分类器，其充分考虑了样本的特征信息。
主流语义分割范式：判别式 Softmax 分类器
目前主流的逐像素分割模型大多使用深度网络抽取像素特征，而后使用 softmax 分类器进行像素特征分类。其网络架构由两部分组成：
第一部分为像素特征提取器，其典型架构为编码器 - 解码器对，通过将 RGB 空间的像素输入映射到 D - 维度的高维空间获取像素特征。
第二部分为像素分类器，即主流的 softmax 分类器；其将输入的像素特征编码为 C - 类实数输出（logits），而后利用 softmax 函数对输出（logits）归一化并赋予概率意义，即利用 logits 计算像素分类的后验概率：
最终，由两个部分构成的完整模型将通过 cross-entropy 损失进行端到端的优化：
在此过程中，模型忽略了像素本身的分布，而直接对像素分类预测的条件概率 p (c|x) 进行估计。由此可见，主流的 softmax 分类器本质为判别式分类器。
判别式分类器结构简单，并因其优化目标直接针对于缩小判别误差，往往能够取得优异的判别性能。然而与此同时，其有一些尚未引起已有工作重视的致命缺点，极大的影响了 softmax 分类器的分类性能及泛化性：
- 首先，其仅仅对决策边界进行建模；完全忽视了像素特征的分布，也因而无法对每一个类别的具体特性进行建模与利用；削弱了其泛化性以及表达能力。
- 其次，其使用单一的参数对 (w,b) 建模一个类别；换言之，softmax 分类器依赖于单模分布 (unimodality) 假设；这种极强且过于简化的假设在实际应用往往不能成立，这导致其只能够取得次优的性能。
- 最后，softmax 分类器的输出无法准确反映真实的概率意义；其最终的预测只能作为与其他类别进行比较时的参考。这也正是大量主流分割模型较难检测出 OOD 输入的根本原因。
针对这些问题，作者认为应该对目前主流的判别式范式进行重新思考，并在本文中给出了对应的方案：生成式语义分割模型 ——GMMSeg。
生成式语义分割模型：GMMSeg
作者从生成式模型的角度重新梳理了语义分割过程。相较于直接建模分类概率 p (c|x)，生成式分类器对联合分布 p (x, c) 进行建模，而后使用贝叶斯定理推导出分类概率：
其中，出于泛化性考虑，类别先验 p (c) 往往被设置为 uniform 分布，而如何对像素特征的类别条件分布 p (x|c) 进行建模，就成为了当前的首要问题。
在本文中，即 GMMSeg 中，采用高斯混合模型对 p (x|c) 进行建模，其形式如下：
在分模型 (component) 数目不受限的情况下，高斯混合模型理论上能够拟合任意的分布，因而十分优雅且强大；同时，其混合模型的本质也使得建模多模分布 (multimodality)，即建模类内变化，变得可行。基于此，本文采用极大似然估计来优化模型的参数：
其经典的解法为 EM 算法，即通过交替执行 E-M - 两步逐步优化 F - 函数：
具体到高斯混合模型的优化；EM 算法实际上在 E - 步中，对数据点属于每一个分模型的概率进行了重新估计。换言之，其相当于在 E - 步中对像素点进行了软聚类 (soft clustering)；而后，在 M - 步，即可利用聚类结果，再次更新模型参数。
然而在实际应用中，作者发现标准的 EM 算法收敛缓慢，且最终结果较差。作者怀疑是由于 EM 算法对参数优化初始值过于敏感，导致其难以收敛到更优的局部极值点。受到近期一系列基于最优传输理论 (optimal transport) 的聚类算法的启发，作者对混合分模型分布额外引入了一个 uniform 先验：
相应的，参数优化过程中的 E - 步骤被转化为约束优化问题，如下：
这个过程可以被直观的理解成，对聚类过程引入了一个均分的约束：在聚类过程中，数据点能够被一定程度上均匀的分配给每一个分模型。引入此约束之后，此优化过程就等价于下式列出的最优传输问题：
此式可以利用 Sinkhorn-Knopp 算法快速求解。而整个改进过后的优化过程被命名为 Sinkhorn EM，其被一些理论工作证明，具有与标准 EM 算法相同的全局最优解，且更不容易陷入局部最优解。
在线混合 (Online Hybrid) 优化
之后，在完整的优化过程中，文章中使用了一种在线混合 (online hybrid) 的优化模式：通过生成式 Sinkhorn EM，在逐渐更新的特征空间中，不断对高斯混合分类器进行优化；而对于完整框架中另一个部分，即像素特征提取器部分，则基于生成式分类器的预测结果，使用判别式 cross-entropy 损失进行优化。两个部分交替优化，互相对齐，使得整个模型紧密耦合，并且能够进行端到端的训练：
在此过程中，特征提取部分只通过梯度反向传播优化；而生成式分类器部分，则只通过 SinkhornEM 进行优化。正是这种交替式优化的设计，使得整个模型能够紧凑的融合在一起，并同时继承来自判别式以及生成式模型的优势。
最终，GMMSeg 受益于其生成式分类的架构以及在线混合的训练策略，展示出了判别式 softmax 分类器所不具有的优势：
- 其一，受益于其通用的架构，GMMSeg 与大部分主流分割模型兼容，即与使用 softmax 进行分类的模型兼容：只需要替换掉判别式 softmax 分类器，即可无痛增强现有模型的性能。
- 其二，由于 hybrid 训练模式的应用，GMMSeg 兼并了生成式以及判别式分类器的优点，且一定程度上解决了 softmax 无法建模类内变化的问题；使得其判别性能大大提升。
- 其三，GMMSeg 显式建模了像素特征的分布，即 p (x|c)；GMMSeg 能够直接给出样本属于各个类别的概率，这使得其能够自然的处理未曾见过的 OOD 数据。
实验结果
实验结果表明，不论是基于 CNN 架构或者是基于 Transformer 架构，在广泛使用的语义分割数据集 (ADE20K, Cityscapes, COCO-Stuff) 上，GMMSeg 都能够取得稳定且明显的性能提升。
除此之外，在异常分割任务中，无需对在闭集任务，即常规语义分割任务中训练完毕的模型做任何的修改，GMMSeg 即可在所有通用评价指标上，超越其他需要特殊后处理的方法。
