前幾日，Meta 推出了「分割一切」AI模型Segment Anything，令網(wǎng)友直呼 CV 不存在了？！而在另一篇被CVPR 2023 收錄的論文中，Meta、UTAustin 聯(lián)合提出了新的開放語言風(fēng)格模型（open-vocabulary segmentation, OVSeg），它能讓 Segment Anything 模型知道所要分隔的類別。

從效果上來看，OVSeg 可以與 Segment Anything 結(jié)合，完成細(xì)粒度的開放語言分割。比如下圖 1 中識別花朵的種類：sunflowers (向日葵)、white roses (白玫瑰)、 chrysanthemums (菊花)、carnations (康乃馨)、green dianthus (綠石竹)。

即刻體驗(yàn)：https://huggingface.co/spaces/facebook/ov-seg

項(xiàng)目地址：https://jeff-liangf.github.io/projects/ovseg/

研究背景

開放式詞匯語義分割旨在根據(jù)文本描述將圖像分割成語義區(qū)域，這些區(qū)域在訓(xùn)練期間可能沒有被看到。最近的兩階段方法首先生成類別不可知的掩膜提案，然后利用預(yù)訓(xùn)練的視覺-語言模型（例如 CLIP）對被掩膜的區(qū)域進(jìn)行分類。研究者確定這種方法的性能瓶頸是預(yù)訓(xùn)練的 CLIP 模型，因?yàn)樗谘谀D像上表現(xiàn)不佳。

為了解決這個問題，研究者建議在一組被掩膜的圖像區(qū)域和它們對應(yīng)的文本描述的收集的數(shù)據(jù)上對 CLIP 進(jìn)行微調(diào)。研究者使用 CLIP 將掩膜圖像區(qū)域與圖像字幕中的名詞進(jìn)行匹配，從而收集訓(xùn)練數(shù)據(jù)。與具有固定類別的更精確和手動注釋的分割標(biāo)簽（例如 COCO-Stuff）相比，研究者發(fā)現(xiàn)嘈雜但多樣的數(shù)據(jù)集可以更好地保留 CLIP 的泛化能力。

除了對整個模型進(jìn)行微調(diào)之外，研究者還使用了被掩膜圖像中的「空白」區(qū)域，使用了他們稱之為掩膜提示微調(diào)的方法。

實(shí)驗(yàn)表明，掩膜提示微調(diào)可以在不修改任何 CLIP 權(quán)重的情況下帶來顯著的改進(jìn)，并且它可以進(jìn)一步改善完全微調(diào)的模型。特別是當(dāng)在 COCO 上進(jìn)行訓(xùn)練并在 ADE20K-150 上進(jìn)行評估時，研究者的最佳模型實(shí)現(xiàn)了 29.6％的 mIoU，比先前的最先進(jìn)技術(shù)高出 8.5％。開放式詞匯通用模型首次與 2017 年的受監(jiān)督專家模型的性能匹配，而不需要特定于數(shù)據(jù)集的適應(yīng)。

論文地址：https://arxiv.org/pdf/2210.04150.pdf

論文解讀

動機(jī)

研究者的分析表明，預(yù)訓(xùn)練的 CLIP 在掩膜建議上表現(xiàn)不佳，成為兩階段方法的性能瓶頸。

CLIP 是使用很少的數(shù)據(jù)增強(qiáng)在自然圖像上進(jìn)行預(yù)訓(xùn)練的。

兩階段的開放詞匯語義分割方法首先生成類別不可知的掩膜建議，然后利用預(yù)訓(xùn)練的 CLIP 進(jìn)行開放詞匯分類。CLIP 模型的輸入是裁剪的掩膜圖像，與自然圖像存在巨大的領(lǐng)域差距。

我們的分析表明，預(yù)訓(xùn)練的 CLIP 在掩膜圖像上表現(xiàn)不佳。

方法

研究者的模型包括一個分割模型（例如 MaskFormer）和一個 CLIP 模型。

他們首先訓(xùn)練修改后的 MaskFormer 作為開放詞匯分割的基線（第 3.1 節(jié)），然后從圖像標(biāo)題中收集多樣的掩膜-類別對（第 3.2 節(jié)），并適應(yīng) CLIP 用于掩膜圖像（第 3.3 節(jié)）。

結(jié)果

研究者首次展示開放詞匯的通用模型可以在沒有數(shù)據(jù)集特定調(diào)整的情況下與受監(jiān)督的專業(yè)模型的性能相匹配。

更多分類示例如下所示。

審核編輯 ：李倩