论文名:Unveiling Parts Beyond Objects: Towards Finer-Granularity Referring Expression Segmentation
论文链接:https://arxiv.org/pdf/2312.08007.pdf
开源代码:https://github.com/Rubics-Xuan/MRES
引言
作为视觉-语言理解中最具挑战性的任务之一,指 代表达分割(ReferringExpression Segmentation,RES) 旨在基于描述性语言表达在像素级别上定位特定区 域。与传统的仅关注图像或视频的视觉分割任务相比, RES由于需要跨模态进行强大的理解而面临更大的困 难和挑战,但它可以同时缓解传统对象检测或分割中 预定义类别的问题。由于现实世界场景通常需要多样 性的目标识别,RES任务在应用方面具有巨大潜力,例 如基于语言的人-物互动和交互式图像编辑。
简介
在本文中,我们进一步迈向更精细 的部分级RES任务。为了促进面向更精细视觉-语言理 解的对象级RES任务,我们提出了一个新的多粒度指 代表达分割(MRES)任务,并通过手动注释构建了 一个名为RefCOCOm的评估基准。通过利用我们的自 动模型辅助数据引擎,我们构建了最大的视觉定位数 据集,即MRES-32M,其中包括超过32.2M个高质量的 蒙版和标题,涵盖了提供的1M张图像。此外,设计了 一个简单但强大的模型UniRES来完成统一的对象级和部分级定位任务。对我们的RefCOCOm进行的大量实 验,以及对经典RES任务的三个数据集(即,RefCOCO (+/g))的实验表明,我们的方法优于先前的最先进方法。
Multi-Granularity Grounding Dataset
考虑到经典的指代表达分割任务的内在复杂性, 相关的训练数据需要在文本和视觉领域进行广泛的注 释成本。当粒度提升到部分级别时,注释的复杂性进 一步加剧。我们认为,阻碍开放世界基础的主要瓶颈 是当前数据可扩展性所施加的限制。通过利用强大的 基础模型进行协同增强,我们引入了一个先进的数据 引擎,能够自动生成可靠的视觉基础数据。
(1)多粒度密集字幕生成器。
对 于图像粒度,我们使用COCO数据集,其中所有 边界框都统一表示为(0,0),(999,999)。对于对象粒 度,我们利用Visual Genome数据集。对于部分粒 度,我们利用单模态语义分割数据,并采 用PartNameX of ObjectNameY形式的模板构建密 集字幕。这种统一的多任务训练方法可以在不同粒度 之间协同增强:它允许LVLMs融合更全面和详细的信 息以增强部分粒度描述。同时,部分粒度的知识有助 于LVLMs在对象内部推广知识。
(2)模型辅助数据生成。
为了生成基于对象级别的视觉 定位数据,我们利用大规模对象检测数据集Object365提供高度可靠的边界框。此外,其中丰富的类别标签确保了全面的知识覆盖。如图(b)所示,这些 边界框将作为视觉提示,分别被发送到可提示分割器 (即segment anything model)和我们的密集字幕生 成器中,以获取分割掩模和详细的语义描述。
(3)数据过滤。
在完成所有图像的多粒度注释后,我们进 一步引入CLIP 进行过滤。从原始图像中裁剪出边 界框,然后将其与密集字幕一起发送到编码器中以测 量相似度。为了在很大程度上确保视觉和语言注释的 一致性,我们保留相似度大于0.5的框-字幕对作为最终 的注释结果。
总的来说,我们将提出的MRES-32M与现有数据 集进行比较,并在表2中列出我们数据集的一些独特 和显著属性。
(1)统一的多粒度。与接地对应物相比,我们的MRES 32M是第一个涵盖部分和对象粒度的视觉接地数据集。与部分级别分割对应物相比,我们的MRES-32M为每 个部分掩模提供了信息丰富且独特的细粒度描述。
(2)更多样化的类别。我们的MRES-32M由365个对象类别 和相关的2,299个部分类别组成。与现有数据集相比, 它涵盖了更广泛的多模态知识范围,是朝着开放世界 理解的重要一步。
(3)可拆分的数据规模。据我们所知,MRES-32M是当前 接地研究社区中最大的数据集。就图像数量和对象实 例数量而言,它分别超过了最大的现有视觉接地数据 集RefCOCOg [27] 38倍和283倍。同时,它包含的部分 实例计数超过了最大的现有部分语义分割数据集[33] 的58倍。
(4) 更复杂的指代。受益于我们基于LVLM的密集描述生 成器,MRES-32M的指代可以更充分地与视觉上下文 相结合,用于实体(即部分和对象)描述。不拘泥于 特定模板,实体的关系和属性可以在自由自然语言表 达中突出显示。
方法与模型
多粒度RES模 型UniRES,用于统一的MRES任务,其中涉及到对象 和部分粒度的参考目标。由于我们最初的意图是为提 出的多粒度RES任务建立一个简单易懂的基准模型,我 们的UniRES模型的结构被设计为简单清晰。
UniRES有三个主要组件:
(1)视觉-语言骨干网络。
考虑到捕捉视觉-语言特征表 示的强大能力和可扩展性的要求,我们利用CLIP模 型[32]的CLIP预训练权重,该模型从大量的图像-文本 对中学习可转移的视觉和语言概念,并将其作为我们 的参考分割框架的骨干。我们利用CLIP中的图像和文 本编码器(即VisionTransformer (ViT) [8]和Transformer [39])来有效提取视觉和语言特征。
(2)基于查询的分组设计。
为了有效完成提出的MRES任 务,必须利用低级局部和高级全局视觉特征。为了增 强CLIP骨干的局部-全局视觉表示,而不引入太多额外 的参数或改变模型的结构,我们在CLIP视觉骨干的第 一层和中间层中分别加入了64个和8个可学习的标记 (经验设置)。这些可学习的标记遍布视觉骨干的前半 部分和后半部分。我们期望ViT的内部自注意机制隐式 地执行视觉分组的方式,同时获取捕捉低级局部和高 级全局特征的代表性分组标记。基于局部特征更加分 散的事实,附加的低级分组标记的数量大于高级分组标记的数量。然后,来自两个级别的分组标记被输入 到一个语言引导的区域过滤器(LRF)中,通过交叉注 意机制选择与语言相关的视觉特征,然后进行串联以 融合这些与表达相关的视觉分组标记,用于后续的视 觉-语言解码。
(3)两阶段V-L解码器。
现在,从骨干网络中获取了视觉和 文本特征表示,以及具有两个不同级别的与表达相关 的分组标记,我们使用由堆叠的Transformer层组成的 两阶段掩码解码器来生成分割掩码。具体而言,第一 阶段的V-L解码器将提取的视觉和文本特征作为输入, 并生成第一阶段融合的多模态表示。随后,这些多模 态特征进一步与两个语义级别(即低级和高级)的分 组表达相关区域特征进行集成,以实现进一步的特征 增强,然后通过线性投影层获得最终的分割掩码。
实验与结果
为了评估我们方法的有效性,我们在三 个经典的RES数据集(即RefCOCO, RefCOCO+, RefCOCOg)以及我们的多粒度RES基准RefCOCOm上 进行了全面的实验。
在我们的RefCOCOm基准测试中,以mIoU为指标与 之前的最佳方法进行比较。
与先进方法在之前三个经典的RES基准数据集上进行比较
我们在RefCOCOm验证集上进行的分割结果的视觉比较
多粒度RES任务的RefCOCOm基准的更多选定样本
好文章,需要你的鼓励
这项来自苹果公司的研究揭示了视频大语言模型评测的两大关键问题:许多测试问题不看视频就能回答正确,且打乱视频帧顺序后模型表现几乎不变。研究提出VBenchComp框架,将视频问题分为四类:语言模型可回答型、语义型、时序型和其他类型,发现在主流评测中高达70%的问题实际上未测试真正的视频理解能力。通过重新评估现有模型,研究团队证明单一总分可能掩盖关键能力差距,并提出了更高效的评测方法,为未来视频AI评测提供了新方向。
这篇来自KAIST AI研究团队的论文提出了"差分信息分布"(DID)这一创新概念,为理解直接偏好优化(DPO)提供全新视角。研究证明,当偏好数据编码了从参考策略到目标策略所需的差分信息时,DPO中的对数比率奖励形式是唯一最优的。通过分析DID熵,研究解释了对数似然位移现象,并发现高熵DID有利于通用指令跟随,而低熵DID适合知识密集型问答。这一框架统一了对DPO目标、偏好数据结构和策略行为的理解,为语言模型对齐提供理论支持。
VidText是一个全新的视频文本理解基准,解决了现有评估体系的关键缺口。它涵盖多种现实场景和多语言内容,提出三层评估框架(视频级、片段级、实例级),并配对感知与推理任务。对18个先进多模态模型的测试显示,即使最佳表现的Gemini 1.5 Pro也仅达46.8%平均分,远低于人类水平。研究揭示输入分辨率、OCR能力等内在因素和辅助信息、思维链推理等外部因素对性能有显著影响,为未来视频文本理解研究提供了方向。
ZeroGUI是一项突破性研究,实现了零人工成本下的GUI代理自动化在线学习。由上海人工智能实验室和清华大学等机构联合开发,这一框架利用视觉-语言模型自动生成训练任务并提供奖励反馈,使AI助手能够自主学习操作各种图形界面。通过两阶段强化学习策略,ZeroGUI显著提升了代理性能,在OSWorld环境中使UI-TARS和Aguvis模型分别获得14%和63%的相对改进。该研究彻底消除了传统方法对昂贵人工标注的依赖,为GUI代理技术的大规模应用铺平了道路。