SegVG視覺定位方法的各個組件

動機

視覺定位(Visual Grounding)旨在基于自由形式的自然語言文本表達定位圖像中的目標物體。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 階段方法和基于變換器(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，每對文本和圖像僅提供一個邊界框標簽。這與目標檢測任 務(Object Detection)存在顯著不同，因此充分利用框注釋至關重要，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粒度的像素級監(jiān)督。

在本研究中，提出了一個名為SegVG的新方法，旨在將邊界框級的注釋轉化為分割信號，以提供更為豐富的監(jiān)督信 號。該方法倡導多層多任務編碼器-解碼器結構，學習回歸查詢和多個分割查詢，以通過回歸和每個解碼層的分割來 實現(xiàn)目標定位。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?模塊，通過三重注意機制 更新查詢、文本和視覺特征，以確保它們共享同一空間，從而提高后續(xù)的目標檢測效果。

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監(jiān)督，并通過三重對?消除特征之間的域差異， 這在視覺定位任務中具有重要的創(chuàng)新意義。以下是來自論文中的相關圖示，用以進一步說明視覺定位框架的不同:

方法

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

?干網(wǎng)絡

SegVG方法的視覺?干網(wǎng)絡和文本?干網(wǎng)絡分別處理圖像和文本數(shù)據(jù)。視覺?干網(wǎng)絡使用的是經(jīng)過Object Detection任務在MSCOCO數(shù)據(jù)集上預訓練的ResNet和DETR的Transformer編碼器。文本?干網(wǎng)絡使用BERT的嵌入層將輸入文本轉換為語言Token。在Token前添加一個[CLS] 標記，并在末尾添加一個[SEP]標記，隨后通過BERT層迭代處理得到語言嵌入 。

Triple Alignment

Triple Alignment模塊致?于解決視覺??、?本??和查詢特征之間的域差異。該模塊利?注意?機制執(zhí)?三?形特征采樣，確保查詢、?本和視覺特征之間的?致性。輸?的查詢 被初始化為可學習的嵌?，包含?個回歸查詢和多個分割查詢。這?過程按以下?式進?：

通過這種?式，Triple Alignmen模塊能夠在每?層迭代幫助三類特征實現(xiàn)有效地對?。

Multi-layer Multi-task Encoder-Decoder

Multi-layer Multi-task Encoder-Decoder是目標對接階段的核心部分，旨在通過跨模態(tài)融合和目標對接同時執(zhí)行邊 框回歸任務和邊框分割任務。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(FFN)過程實現(xiàn)提升。解碼器部分則通過 bbox2seg范式將邊框注釋轉化為分割掩碼，分割掩碼將框內(nèi)的像素 標記為前景(值為1)，而框外像素則標記為背景(值為0)。在每一解碼層中，一個回歸查詢用于回歸邊框，多個 分割查詢則用于對目標進行分割。

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)被結合用于驅動模型的訓練過程，使 得模型在執(zhí)行回歸和分割任務時獲得強化的反饋。

通過將分割輸出的信心值轉化為Focal損失因子，可以有效地強調(diào)那些難以訓練的數(shù)據(jù)樣本，以進一步提升模型的 性能。整體而言，SegVG方法實現(xiàn)了對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 目標定位任務帶來了重要的改進和提升。

實驗

在實驗部分，研究者對所提出的SegVG模型進行了全面的評估，涉及多個標準數(shù)據(jù)集和不同的實驗設置，以驗證其 有效性和優(yōu)越性。

指標與數(shù)據(jù)集

研究者采用的主要評估指標是交并比(IoU)和前1準確率，以評估預測邊界框與真實邊界框的匹配程度。使用的標 準基準數(shù)據(jù)集包括RefCOCO、RefCOCO+、RefCOCOg-g、RefCOCOg-umd以及Refer It Game等。

實施細節(jié)

研究中對數(shù)據(jù)輸入進行了特別配置，使用640x640的圖像大小，以及最大文本?度設定為40。當圖像大小調(diào)整時， 會保持原始寬高比。模型的訓練過程采用AdamW優(yōu)化器，及其學習率和權重衰減參數(shù)。

定量結果在定量實驗中，SegVG模型在所有基準數(shù)據(jù)集中表現(xiàn)出色。例如，在RefCOCO+數(shù)據(jù)集上，其預先訓練模型在各個 子集上相較于之前的最先進模型取得了顯著提升，分別達到了2.99%、3.7%和2.42%的錯誤率下降。在RefCOCOg 數(shù)據(jù)集上，SegVG同樣取得了+3.03%、+2.31%和+3.24%的改善。這些結果證明了結合Triple Alignment和Multi- layer Multi-task Encoder-Decoder后，模型在目標定位和準確性上的提升。

消融研究

進一步分析通過控制變量法對各個模塊的有效性進行消融研究。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域差異，進而促進后續(xù)的目標定位。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，從而增強查詢表示的學習能力。

計算開銷比較

研究者還對不同Transformer模型的參數(shù)數(shù)量和GFLOPS進行了比較，以評估SegVG的計算開銷。結果表明，SegVG的計 算成本處于合理范圍，符合實際應用需求。

定性結果

在定性分析中，通過對比不同模型在目標檢測中的表現(xiàn)，SegVG在初始解碼層階段就能準確識別目標位置，相較于 對比模型VLTVG而言，表現(xiàn)更加穩(wěn)健。具體案例中，SegVG成功定位復雜背景下的目標，顯示了其在多任務優(yōu)化時 的高度有效性。