代碼和Demo地址：https://github.com/dvlab-research/LISA

論文地址：https://arxiv.org/pdf/2308.00692.pdf

當前的視覺識別系統(tǒng)都依賴人類用戶明確指代目標物體或預先設定識別類別，進而進行識別。它們仍然只能處理簡單明確的指令（如“橙子”），而無法解析相對隱式和復雜的指令（如在下圖中指出 “維生素C含量高的食物”）。

而真正的智能感知系統(tǒng)應該根據(jù)用戶指令推理其真實意圖。例如，在指示機器人時，人們往往傾向于直接給一個指令“我想要看電視“，而不是分幾個步驟”走去茶幾旁邊，幫我找到遙控器，然后按下按鈕打開電視“。這些場景都要求感知系統(tǒng)具有復雜推理和聯(lián)系世界知識的能力。

最近，香港中文大學賈佳亞團隊發(fā)布一項新研究，提出一項新任務——推理分割（Reasoning Segmentation），該任務要求模型能夠處理復雜的自然語言指令，并給出精細的分割結果。

如上圖所示，推理分割任務具有很大的挑戰(zhàn)性，可能需要借鑒世界知識（例如，左圖需要了解“短鏡頭更適合拍攝近物體”），或進行復雜圖文推理（如右圖需要分析圖像和文本語義，才能理解圖中“柵欄保護嬰兒”的含義），才能獲得最終理想的分割結果。

盡管當前多模態(tài)大模型（例如Flamingo [1], BLIP-2 [2], LLaVA [3], miniGPT-4 [4], Otter [5]）使得AI能夠根據(jù)圖像內容推理用戶的復雜問題，并給出相應的文本分析和回答，但仍無法像視覺感知系統(tǒng)那樣在圖像上精確定位指令對應的目標區(qū)域。

因此，此項研究工作提出LISA（Large Language Instructed Segmentation Assistant）多模態(tài)大模型。LISA通過引入一個<SEG>標記來擴展初始大型模型的詞匯表，并采用Embedding-as-Mask的方式賦予現(xiàn)有多模態(tài)大型模型分割功能，最終展現(xiàn)出強大的零樣本泛化能力。

同時，該工作還創(chuàng)建了ReasonSeg數(shù)據(jù)集，其中包含上千張高質量圖像及相應的推理指令和分割標注。

實驗證明，在訓練過程中僅使用不包含復雜推理的分割數(shù)據(jù)（通過將現(xiàn)有的語義分割數(shù)據(jù)如ADE20K [6]，COCO-Stuff [7]以及現(xiàn)有指代分割數(shù)據(jù)refCOCO系列 [8]中的每條數(shù)據(jù)轉換成“圖像-指令-分割Mask”三元組） ，LISA能在推理分割任務上展現(xiàn)出優(yōu)異的零樣本泛化能力。此外，進一步使用239個推理分割數(shù)據(jù)進行微調訓練還能顯著提升LISA在推理分割任務上的性能。而且LISA還表現(xiàn)出高效的訓練特性，只需在8張具有24GB顯存的3090顯卡上進行10,000次訓練迭代，即可完成7B模型的訓練。

技術方案概述

首先將圖像和文本送到多模態(tài)-大語言模型（在實驗中即LLaVA），得到輸出的文本結果，如果此時文本結果包含<SEG>標記，則表示需要通過輸出分割預測來解決當前問題。反之，若不包含<SEG>標記，則無分割結果輸出。

如果存在<SEG>標記，則將<SEG>標記在多模態(tài)大模型最后一層對應的embedding經(jīng)過一個MLP層得到，并將其與分割視覺特征一起傳遞給解碼器（其中分割視覺特征由輸入編碼器對圖像進行編碼得到）。最終，根據(jù)生成最終的分割結果。

LISA在訓練過程中使用了自回歸交叉熵損失函數(shù)，以及對分割結果監(jiān)督的BCE和DICE損失函數(shù)。

模型效果

最終，LISA不僅在傳統(tǒng)的語言-圖像分割指標（refCOCO、refCOCO+和refCOCOg）上展現(xiàn)出優(yōu)異性能，還能處理以下分割任務情景：1）復雜推理，2）聯(lián)系世界知識，3）解釋分割結果以及4）多輪對話。

在有復雜情景的ReasonSeg數(shù)據(jù)集上，LISA顯著領先于其他相關工作（如Table 1），進一步證明其出色的推理分割能力。

效果展示

引用：

[1] Alayrac, Jean-Baptiste, et al. "Flamingo: a visual language model for few-shot learning." In NeurIPS, 2022.

[2] Li, Junnan, et al. "Blip-2: Bootstrapping language-image pre-training with frozen image encoders and large language models." In arXiv preprint, 2023.

[3] Liu, Haotian, et al. "Visual instruction tuning." In arXiv preprint, 2023.

[4] Zhu, Deyao, et al. "Minigpt-4: Enhancing vision-language understanding with advanced large language models." In arXiv preprint, 2023.

[5] Li, Bo, et al. "Otter: A multi-modal model with in-context instruction tuning." In arXiv preprint, 2023.

[6] Zhou, Bolei, et al. "Scene parsing through ade20k dataset." In CVPR, 2017.

[7] Caesar, Holger, Jasper Uijlings, and Vittorio Ferrari. "Coco-stuff: Thing and stuff classes in context." In CVPR, 2018.

[8] Kazemzadeh, Sahar, et al. "Referitgame: Referring to objects in photographs of natural scenes." In EMNLP, 2014.

雷峰網(wǎng)(公眾號：雷峰網(wǎng))

雷峰網(wǎng)版權文章，未經(jīng)授權禁止轉載。詳情見轉載須知。