1. 效果展示

MasQCLIP在開放詞匯實例分割、語義分割和全景分割三項任務上均實現了SOTA，漲點非常明顯。這里也推薦工坊推出的新課程《徹底搞懂視覺-慣性SLAM：VINS-Fusion原理精講與源碼剖析》。

再來看看開放詞匯全景分割的定性效果，圖片來源于ADE20k，可以發現MasQCLIP分割出的Mask和類別精度更高。

2. 具體原理是什么？

先介紹一下基礎的CLIP模型：ICML-2021的工作，多模態視覺-語言模型代表。主要用來提取zero-shot目標的特征。核心思想是，很多模型需要預定義圖像類別，但是文本實際上就已經提供了未見類別的信息，融合文本就可以極大增強模型的泛化性。

而MasQCLIP的思想是，利用稠密特征與預訓練的CLIP模型無縫集成，從而避免訓練大規模參數。MasQCLIP在使用CLIP模型構建圖像分割時側重兩方面：

（1）學生-教師模塊，通過從基礎（已見）類中提取信息來處理新（未見）類的Mask；

（2）更新CLIP模型中查詢的模型參數的微調過程。

具體Pipeline是，MasQCLIP由類無關Mask提議網絡和基于CLIP的Mask分類模塊組成。在Mask提議網絡中，應用漸進蒸餾來分割基類之外的Mask。之后將預測的Mask送入分類模塊以獲得標簽。為了有效利用密集CLIP特征，還提出了MasQ-Tuning策略。

再來看看這個漸進蒸餾，就是從教師模型的分割圖中提取和基礎類別沒有重疊的Mask，用來做輔助訓練，將這些額外的標注蒸餾到學生模型中，然后不停的迭代循環來提高泛化性。

3. 再來看看效果如何

開放詞匯通用圖像分割的定量結果，直接對比了實例分割、語義分割、全景分割三個任務。三大任務漲點都非常明顯！

開放詞匯實例分割結果，分別對比基類和新類別的定量精度，展示了模型的泛化性。這里也推薦工坊推出的新課程《徹底搞懂視覺-慣性SLAM：VINS-Fusion原理精講與源碼剖析》。

開放詞匯實例分割定性對比，可以發現MasQCLIP分割精度更高！

審核編輯：劉清