VISPROG：以神經符號方式將人工智能推向更廣泛、更復雜的任務領域

本文將為大家介紹CVPR 2023年最佳論文兩篇中的Visual Programming: Compositional visual reasoning without training （視覺編程：無需訓練的組合式視覺推理），代碼已開源。

Title:

VisualProgramming:Compositionalvisualreasoningwithouttraining

Paper:

https://openaccess.thecvf.com/content/CVPR2023/html/Gupta_Visual_Programming_Compositional_Visual_Reasoning_Without_Training_CVPR_2023_paper.html

Code:

https://github.com/allenai/visprog

01

/導讀/

VISPROG是一種神經符號方法，可利用自然語言指令解決復雜的組合式視覺任務。VISPROG避免了任何特定于任務的訓練需求。相反，它利用大型語言模型的上下文學習能力生成類似Python的可組合程序，這些程序將被執(zhí)行以獲得解決方案和全面可解釋的推理結果。生成的程序的每一行可以調用多個現(xiàn)成的計算機視覺模型、圖像處理子程序或Python函數(shù)以生成中間輸出，后續(xù)程序部分可以使用這些中間輸出。在四項不同的任務中展示了VISPROG的靈活性：組合式視覺問答、基于圖像對的零樣本推理、實際知識對象標注和語言引導圖像編輯。類似VISPROG這樣的神經符號方法是擴展人工智能系統(tǒng)范圍、為人們提供執(zhí)行復雜任務的有效途徑。

VISPROG是一種可組合和可解釋的神經符號系統(tǒng)，用于進行組合式視覺推理。給定自然語言指令和高層次程序的幾個示例，VISPROG利用GPT-3的上下文學習功能針對任何新指令生成程序，并在輸入的圖像上執(zhí)行程序以獲取預測結果。VISPROG還將中間輸出總結為可以解釋的視覺說明。

02

/模塊/

VisProg目前支持20個模塊，可實現(xiàn)圖像理解、圖像操作（包括生成）、知識檢索和算術和邏輯操作等能力。在這里顯示的紅色模塊是使用經過訓練的最先進神經模型實現(xiàn)的，而藍色模塊是使用多種Python庫（如PIL、OpenCV和AugLy）實現(xiàn)的非神經Python函數(shù)。

在VISPROG中，每個模塊都被實現(xiàn)為一個Python類，見下述代碼，其具有以下方法：

（i）解析行以提取輸入參數(shù)的名稱和值以及輸出變量的名稱；

（ii）執(zhí)行必要的計算，可能涉及訓練過的神經模型，并更新程序狀態(tài)以獲得輸出變量的名稱和值；

（iii）使用HTML方式以可視方式總結該步驟的計算（用于創(chuàng)建visual rationales）。

要向VISPROG添加新模塊，只需要實現(xiàn)并注冊一個模塊類，程序的執(zhí)行使用該模塊將由VISPROG解釋器自動處理。

03

/VISPROG中的程序生成/

VisProg通過向LLM GPT-3提供指令及其相關的示例指令和對應程序，來生成程序。與以前的方法如神經模塊網(wǎng)絡（Neural Module Network）不同，VisProg利用大規(guī)模語言模型的上下文學習能力來生成程序，而不是使用預先定義的模塊。這使生成的程序更加靈活且能夠處理更多的組合式視覺任務。

04

/可解釋性/

VisProg不僅生成高度可解釋的程序，還通過將每個步驟的輸入和輸出的摘要拼接在一起生成visual rationales，以幫助理解和調試程序執(zhí)行期間的信息流。下面是兩個visual rationales的示例。

使用自然語言進行圖像編輯

關于圖像對的推理（自然語言視覺推理）

04

/結果可視化/

在組合式視覺問答、基于零樣本的圖像對推理（僅使用單張圖像VQA模型）、實際知識對象標記和語言引導的圖像編輯等復雜視覺任務上展示了VisProg。下圖展示了VisProg在對象標記和圖像編輯任務上的能力。

更多關于所有任務的定性結果以及相應的視覺說明，包括由于程序生成中的邏輯錯誤或模塊預測錯誤而導致的失敗案例，請根據(jù)下面鏈接下載查閱：

https://openaccess.thecvf.com/content/CVPR2023/supplemental/Gupta_Visual_Programming_Compositional_CVPR_2023_supplemental.zip