目前的開(kāi)放世界目標(biāo)檢測(cè)模型大多遵循文本查詢(xún)的模式，即利用類(lèi)別文本描述在目標(biāo)圖像中查詢(xún)潛在目標(biāo)，但這種方式往往會(huì)面臨「廣而不精」的問(wèn)題。

論文鏈接：https://arxiv.org/abs/2305.18980

代碼地址：https://github.com/YifanXu74/MQ-Det

為此，中科院自動(dòng)化等機(jī)構(gòu)的研究人員提出了基于多模態(tài)查詢(xún)的目標(biāo)檢測(cè)MQ-Det，以及首個(gè)同時(shí)支持文本描述和視覺(jué)示例查詢(xún)的開(kāi)放世界檢測(cè)大模型。

MQ-Det在已有基于文本查詢(xún)的檢測(cè)大模型基礎(chǔ)上，加入了視覺(jué)示例查詢(xún)功能。通過(guò)引入即插即用的門(mén)控感知結(jié)構(gòu)，以及以視覺(jué)為條件的掩碼語(yǔ)言預(yù)測(cè)訓(xùn)練機(jī)制，使得檢測(cè)器在保持高泛化性的同時(shí)支持細(xì)粒度的多模態(tài)查詢(xún)，為用戶(hù)提供更靈活的選擇來(lái)適應(yīng)不同的場(chǎng)景。

其簡(jiǎn)單有效的設(shè)計(jì)與現(xiàn)有主流的檢測(cè)大模型均兼容，適用范圍非常廣泛。

實(shí)驗(yàn)表明，多模態(tài)查詢(xún)能夠大幅度推動(dòng)主流檢測(cè)大模型的開(kāi)放世界目標(biāo)檢測(cè)能力，例如在基準(zhǔn)檢測(cè)數(shù)據(jù)集LVIS上，無(wú)需下游任務(wù)模型微調(diào)，提升主流檢測(cè)大模型GLIP精度約7.8%AP，在13個(gè)基準(zhǔn)小樣本下游任務(wù)上平均提高了6.3% AP。

從文本查詢(xún)到多模態(tài)查詢(xún)

一圖勝千言

隨著圖文預(yù)訓(xùn)練的興起，借助文本的開(kāi)放語(yǔ)義，目標(biāo)檢測(cè)逐漸步入了開(kāi)放世界感知的階段。

為此，許多檢測(cè)大模型都遵循了文本查詢(xún)的模式，即利用類(lèi)別文本描述在目標(biāo)圖像中查詢(xún)潛在目標(biāo)。

然而，這種方式往往會(huì)面臨「廣而不精」的問(wèn)題。

圖1 MQ-Det方法架構(gòu)圖

例如，圖1中的細(xì)粒度物體（魚(yú)種）檢測(cè)，往往很難用有限的文本來(lái)描述各種細(xì)粒度的魚(yú)種；類(lèi)別歧義，bat既可指蝙蝠又可指拍子。

然而，以上的問(wèn)題均可通過(guò)圖像示例來(lái)解決，相比文本，圖像能夠提供目標(biāo)物體更豐富的特征線索，但同時(shí)文本又具備強(qiáng)大的泛化性。

由此，如何能夠有機(jī)地結(jié)合兩種查詢(xún)方式，成為了一個(gè)很自然地想法。

獲取多模態(tài)查詢(xún)能力的難點(diǎn)：如何得到這樣一個(gè)具備多模態(tài)查詢(xún)的模型，存在三個(gè)挑戰(zhàn)：

1. 直接用有限的圖像示例進(jìn)行微調(diào)很容易造成災(zāi)難性遺忘；

2. 從頭訓(xùn)練一個(gè)檢測(cè)大模型會(huì)具備較好的泛化性但是消耗巨大，例如，單卡訓(xùn)練GLIP[1]需要利用3000萬(wàn)數(shù)據(jù)量訓(xùn)練480 天。

多模態(tài)查詢(xún)目標(biāo)檢測(cè)：基于以上考慮，作者提出了一種簡(jiǎn)單有效的模型設(shè)計(jì)和訓(xùn)練策略——MQ-Det

MQ-Det在已有凍結(jié)的文本查詢(xún)檢測(cè)大模型基礎(chǔ)上插入少量門(mén)控感知模塊（GCP）來(lái)接收視覺(jué)示例的輸入，同時(shí)設(shè)計(jì)了視覺(jué)條件掩碼語(yǔ)言預(yù)測(cè)訓(xùn)練策略高效地得到高性能多模態(tài)查詢(xún)的檢測(cè)器。

MQ-Det：即插即用的多模態(tài)查詢(xún)模型架構(gòu)

門(mén)控感知模塊

如圖1所示，作者在已有凍結(jié)的文本查詢(xún)檢測(cè)大模型的文本編碼器端逐層插入了門(mén)控感知模塊（GCP），GCP的工作模式可以用下面公式簡(jiǎn)潔地表示：

對(duì)于第i個(gè)類(lèi)別，輸入視覺(jué)示例 v_i，其首先和目標(biāo)圖像 進(jìn)行交叉注意力（ X-MHA）得到 以增廣其表示能力，而后每個(gè)類(lèi)別文本 t_i 會(huì)和對(duì)應(yīng)類(lèi)別的視覺(jué)示例  進(jìn)行交叉注意力得到 ，之后通過(guò)一個(gè)門(mén)控模塊gate 將原始文本 t_i 和視覺(jué)增廣后文本  融合，得到當(dāng)前層的輸出

這樣的簡(jiǎn)單設(shè)計(jì)遵循了三點(diǎn)原則：（1）類(lèi)別可擴(kuò)展性；（2）語(yǔ)義補(bǔ)全性；（3）抗遺忘性，具體討論可見(jiàn)原文。

MQ-Det高效訓(xùn)練策略

基于凍結(jié)語(yǔ)言查詢(xún)檢測(cè)器的調(diào)制訓(xùn)練

由于目前文本查詢(xún)的預(yù)訓(xùn)練檢測(cè)大模型本身就具備較好的泛化性，作者認(rèn)為，只需要在原先文本特征基礎(chǔ)上用視覺(jué)細(xì)節(jié)進(jìn)行輕微地調(diào)整即可。

在文章中也有具體的實(shí)驗(yàn)論證發(fā)現(xiàn)，打開(kāi)原始預(yù)訓(xùn)練模型參數(shù)后進(jìn)行微調(diào)很容易帶來(lái)災(zāi)難性遺忘的問(wèn)題，反而失去了開(kāi)放世界檢測(cè)的能力。

由此，MQ-Det在凍結(jié)文本查詢(xún)的預(yù)訓(xùn)練檢測(cè)器基礎(chǔ)上，僅調(diào)制訓(xùn)練插入的GCP模塊，就可以高效地將視覺(jué)信息插入到現(xiàn)有文本查詢(xún)的檢測(cè)器中。

在文章中，作者分別將MQ-Det的結(jié)構(gòu)設(shè)計(jì)和訓(xùn)練技術(shù)應(yīng)用于目前的SOTA模型GLIP[1]和GroundingDINO[2]，來(lái)驗(yàn)證方法的通用性。

以視覺(jué)為條件的掩碼語(yǔ)言預(yù)測(cè)訓(xùn)練策略

作者還提出了一種視覺(jué)為條件的掩碼語(yǔ)言預(yù)測(cè)訓(xùn)練策略，來(lái)解決凍結(jié)預(yù)訓(xùn)練模型帶來(lái)的學(xué)習(xí)惰性的問(wèn)題。

所謂學(xué)習(xí)惰性，即指檢測(cè)器在訓(xùn)練過(guò)程中傾向于保持原始文本查詢(xún)的特征，從而忽視新加入的視覺(jué)查詢(xún)特征。

為此，MQ-Det在訓(xùn)練時(shí)隨機(jī)地用[MASK] token來(lái)替代文本token，迫使模型向視覺(jué)查詢(xún)特征側(cè)學(xué)習(xí)，即：

這個(gè)策略雖然簡(jiǎn)單，但是卻十分有效，從實(shí)驗(yàn)結(jié)果來(lái)看這個(gè)策略帶來(lái)了顯著的性能提升。

實(shí)驗(yàn)結(jié)果

Finetuning-free

相比傳統(tǒng)零樣本（zero-shot）評(píng)估僅利用類(lèi)別文本進(jìn)行測(cè)試，MQ-Det提出了一種更貼近實(shí)際的評(píng)估策略：finetuning-free

其定義為：在不進(jìn)行任何下游微調(diào)的條件下，用戶(hù)可以利用類(lèi)別文本、圖像示例、或者兩者結(jié)合來(lái)進(jìn)行目標(biāo)檢測(cè)。

在finetuning-free的設(shè)定下，MQ-Det對(duì)每個(gè)類(lèi)別選用了5個(gè)視覺(jué)示例，同時(shí)結(jié)合類(lèi)別文本進(jìn)行目標(biāo)檢測(cè)，而現(xiàn)有的其他模型不支持視覺(jué)查詢(xún)，只能用純文本描述進(jìn)行目標(biāo)檢測(cè)。

下表展示了在LVIS MiniVal和LVIS v1.0上的檢測(cè)結(jié)果?？梢园l(fā)現(xiàn)，多模態(tài)查詢(xún)的引入大幅度提升了開(kāi)放世界目標(biāo)檢測(cè)能力。

表1 各個(gè)檢測(cè)模型在LVIS基準(zhǔn)數(shù)據(jù)集下的finetuning-free表現(xiàn)

從表1可以看到，MQ-GLIP-L在GLIP-L基礎(chǔ)上提升了超過(guò)7%AP，效果十分顯著！

Few-shot評(píng)估

表2 各個(gè)模型在35個(gè)檢測(cè)任務(wù)ODinW-35以及其13個(gè)子集ODinW-13中的表現(xiàn)

作者還進(jìn)一步在下游35個(gè)檢測(cè)任務(wù)ODinW-35中進(jìn)行了全面的實(shí)驗(yàn)。由表2可以看到，MQ-Det除了強(qiáng)大的finetuning-free表現(xiàn)，還具備良好的小樣本檢測(cè)能力，進(jìn)一步印證了多模態(tài)查詢(xún)的潛力。圖2也展示了MQ-Det對(duì)于GLIP的顯著提升。

圖2 數(shù)據(jù)利用效率對(duì)比；橫軸：訓(xùn)練樣本數(shù)量，縱軸：OdinW-13上的平均AP

多模態(tài)查詢(xún)目標(biāo)檢測(cè)的前景

目標(biāo)檢測(cè)作為一個(gè)以實(shí)際應(yīng)用為基礎(chǔ)的研究領(lǐng)域，非常注重算法的落地。

盡管以往的純文本查詢(xún)目標(biāo)檢測(cè)模型展現(xiàn)出了良好的泛化性，但是在實(shí)際的開(kāi)放世界檢測(cè)中文本很難涵蓋細(xì)粒度的信息，而圖像中豐富的信息粒度完美地補(bǔ)全了這一環(huán)。

至此我們能夠發(fā)現(xiàn)，文本泛而不精，圖像精而不泛，如果能夠有效地結(jié)合兩者，即多模態(tài)查詢(xún)，將會(huì)推動(dòng)開(kāi)放世界目標(biāo)檢測(cè)進(jìn)一步向前邁進(jìn)。

MQ-Det在多模態(tài)查詢(xún)上邁出了第一步嘗試，其顯著的性能提升也昭示著多模態(tài)查詢(xún)目標(biāo)檢測(cè)的巨大潛力。

同時(shí)，文本描述和視覺(jué)示例的引入為用戶(hù)提供了更多的選擇，使得目標(biāo)檢測(cè)更加靈活和用戶(hù)友好。