視覺定位（Visual Grounding）旨在基于自由形式的自然語言文本表達(dá)定位圖像中的目標(biāo)物體。

隨著多模態(tài)推理系統(tǒng)的普及，如視覺問答和圖像描述，視覺定位的重要性愈加凸顯。已有的研究大致可以分為三類：兩階段方法、單階段方法和基于Transformer的方法。

盡管這些方法取得了良好的效果，但在注釋的利用上仍顯得不足，尤其是僅將框注釋作為回歸的真值樣本，限制了模型的性能表現(xiàn)。

具體而言，視覺定位面臨的挑戰(zhàn)在于其稀疏的監(jiān)督信號(hào)，每對(duì)文本和圖像僅提供一個(gè)邊界框標(biāo)簽，與目標(biāo)檢測任務(wù)（Object Detection）存在顯著不同，因此充分利用框注釋至關(guān)重要，將其視為分割掩膜（即邊界框內(nèi)的像素賦值為1，外部像素賦值為0），可以為視覺定位提供更細(xì)粒度的像素級(jí)監(jiān)督。

伊利諾伊理工學(xué)院、中佛羅里達(dá)大學(xué)的研究人員提出了一個(gè)名為SegVG的新方法，旨在將邊界框級(jí)的注釋轉(zhuǎn)化為分割信號(hào)，以提供更為豐富的監(jiān)督信號(hào)。

論文鏈接：https://arxiv.org/abs/2407.03200

代碼鏈接：https://github.com/WeitaiKang/SegVG/tree/main

該方法倡導(dǎo)多層多任務(wù)編碼器-解碼器結(jié)構(gòu)，學(xué)習(xí)回歸查詢和多個(gè)分割查詢，以通過回歸和每個(gè)解碼層的分割來實(shí)現(xiàn)目標(biāo)定位。

此外，為了解決由于特征域不匹配而產(chǎn)生的差異，研究中引入了三重對(duì)?模塊，通過三重注意機(jī)制更新查詢、文本和視覺特征，以確保共享同一空間，從而提高后續(xù)的目標(biāo)檢測效果。

綜上，SegVG通過最大化邊界框注釋的利用，提供了額外的像素級(jí)監(jiān)督，并通過三重對(duì)?消除特征之間的域差異，這在視覺定位任務(wù)中具有重要的創(chuàng)新意義。

以下是來自論文中的相關(guān)圖示，用以進(jìn)一步說明視覺定位框架的不同:

方法

在本節(jié)中，介紹了SegVG方法的各個(gè)組件，按數(shù)據(jù)流的順序進(jìn)行說明，包括?干網(wǎng)絡(luò)、Triple Alignment模塊以及Multi-layer Multi-task Encoder-Decoder。

骨干網(wǎng)絡(luò)

SegVG方法的視覺?干網(wǎng)絡(luò)和文本?干網(wǎng)絡(luò)分別處理圖像和文本數(shù)據(jù)。視覺?干網(wǎng)絡(luò)使用的是經(jīng)過Object Detection任務(wù)在MSCOCO數(shù)據(jù)集上預(yù)訓(xùn)練的ResNet和DETR的Transformer編碼器。

文本?干網(wǎng)絡(luò)使用BERT的嵌入層將輸入文本轉(zhuǎn)換為語言Token，在Token前添加一個(gè)[CLS]標(biāo)記，并在末尾添加一個(gè)[SEP]標(biāo)記，隨后通過BERT層迭代處理得到語言嵌入。

Triple Alignment

Triple Alignment模塊致力于解決視覺骨干、文本骨干和查詢特征之間的域差異。該模塊利用注意力機(jī)制執(zhí)行三角形特征采樣，確保查詢、文本和視覺特征之間的一致性。

輸?的查詢被初始化為可學(xué)習(xí)的嵌入，包含一個(gè)回歸查詢和多個(gè)分割查詢。這?過程按以下方式進(jìn)行：

通過這種方式，Triple Alignment模塊能夠在每?層迭代幫助三類特征實(shí)現(xiàn)有效地對(duì)齊。

Multi-layer Multi-task Encoder-Decoder

其目標(biāo)對(duì)接階段的核心部分，旨在通過跨模態(tài)融合和目標(biāo)對(duì)接同時(shí)執(zhí)行邊框回歸任務(wù)和邊框分割任務(wù)。

編碼器部分融合了文本和視覺特征，每一層通過多頭自注意力層（MHSA）和前饋網(wǎng)絡(luò)（FFN）過程實(shí)現(xiàn)提升。解碼器部分則通過bbox2seg范式將邊框注釋轉(zhuǎn)化為分割掩碼，分割掩碼將框內(nèi)的像素標(biāo)記為前景（值為1），而框外像素則標(biāo)記為背景（值為0）。

在每一解碼層中，一個(gè)回歸查詢用于回歸邊框，多個(gè)分割查詢則用于對(duì)目標(biāo)進(jìn)行分割。

上述公式中，各種損失函數(shù)(如L1損失、GIoU損失、Focal損失和Dice損失)被結(jié)合用于驅(qū)動(dòng)模型的訓(xùn)練過程，使得模型在執(zhí)行回歸和分割任務(wù)時(shí)獲得強(qiáng)化的反饋。

通過將分割輸出的信心值轉(zhuǎn)化為Focal損失因子，可以有效地強(qiáng)調(diào)那些難以訓(xùn)練的數(shù)據(jù)樣本，以進(jìn)一步提升模型的性能。

整體而言，SegVG方法實(shí)現(xiàn)了對(duì)邊框注釋的最大化利用，并有效解決了多模態(tài)特征間的域差異問題，為視覺目標(biāo)定位任務(wù)帶來了重要的改進(jìn)和提升。

實(shí)驗(yàn)

在實(shí)驗(yàn)部分，研究者對(duì)所提出的SegVG模型進(jìn)行了全面的評(píng)估，涉及多個(gè)標(biāo)準(zhǔn)數(shù)據(jù)集和不同的實(shí)驗(yàn)設(shè)置，以驗(yàn)證其有效性和優(yōu)越性。

指標(biāo)與數(shù)據(jù)集

研究者采用的主要評(píng)估指標(biāo)是交并比(IoU)和前1準(zhǔn)確率，以評(píng)估預(yù)測邊界框與真實(shí)邊界框的匹配程度。使用的標(biāo)準(zhǔn)基準(zhǔn)數(shù)據(jù)集包括RefCOCO、RefCOCO+、RefCOCOg-g、RefCOCOg-umd以及Refer It Game等。

實(shí)施細(xì)節(jié)

研究中對(duì)數(shù)據(jù)輸入進(jìn)行了特別配置，使用640x640的圖像大小，以及最大文本?度設(shè)定為40。當(dāng)圖像大小調(diào)整時(shí)，會(huì)保持原始寬高比。模型的訓(xùn)練過程采用AdamW優(yōu)化器，及其學(xué)習(xí)率和權(quán)重衰減參數(shù)。

定量結(jié)果

在定量實(shí)驗(yàn)中，SegVG模型在所有基準(zhǔn)數(shù)據(jù)集中表現(xiàn)出色。例如，在RefCOCO+數(shù)據(jù)集上，其預(yù)先訓(xùn)練模型在各個(gè)子集上相較于之前的最先進(jìn)模型取得了顯著提升，分別達(dá)到了2.99%、3.7%和2.42%的準(zhǔn)確率提升。

在RefCOCOg數(shù)據(jù)集上，SegVG同樣取得了+3.03%、+2.31%和+3.24%的準(zhǔn)確率提升。這些結(jié)果證明了結(jié)合TripleAlignment和Multi-layerMulti-taskEncoder-Decoder后，模型在目標(biāo)定位和準(zhǔn)確性上的提升。

消融研究

進(jìn)一步分析通過控制變量法對(duì)各個(gè)模塊的有效性進(jìn)行消融研究。研究顯示，加入Triple Alignment模塊后，可以有效消除查詢、文本及視覺特征之間的領(lǐng)域差異，進(jìn)而促進(jìn)后續(xù)的目標(biāo)定位。

此外，通過加入Multi-layer Multi-task監(jiān)督，能夠迭代充分利用注釋信息，從而增強(qiáng)查詢表示的學(xué)習(xí)能力。

計(jì)算開銷比較

研究者還對(duì)不同Transformer模型的參數(shù)數(shù)量和GFLOPS進(jìn)行了比較，以評(píng)估SegVG的計(jì)算開銷，結(jié)果表明，SegVG的計(jì)算成本處于合理范圍，符合實(shí)際應(yīng)用需求。

定性結(jié)果

在定性分析中，通過對(duì)比不同模型在目標(biāo)檢測中的表現(xiàn)，SegVG在初始解碼層階段就能準(zhǔn)確識(shí)別目標(biāo)位置，相較于對(duì)比模型VLTVG而言，表現(xiàn)更加穩(wěn)健。

 具體案例中，SegVG成功定位復(fù)雜背景下的目標(biāo)，顯示了其在多任務(wù)優(yōu)化時(shí)的高度有效性。