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(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(biāo)簽。這與目標(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(zhuǎn)化為分割信號，以提供更為豐富的監(jiān)督信 號。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)回歸查詢和多個分割查詢，以通過回歸和每個解碼層的分割來 實現(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?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(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(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。

?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[CLS] 標(biāo)記，并在末尾添加一個[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?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(xué)習(xí)的嵌?，包含?個回歸查詢和多個分割查詢。這?過程按以下?式進(jìn)?：

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(biāo)對接階段的核心部分，旨在通過跨模態(tài)融合和目標(biāo)對接同時執(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，一個回歸查詢用于回歸邊框，多個 分割查詢則用于對目標(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)時獲得強化的反饋。

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(biāo)定位任務(wù)帶來了重要的改進(jìn)和提升。

實驗

在實驗部分，研究者對所提出的SegVG模型進(jìn)行了全面的評估，涉及多個標(biāo)準(zhǔn)數(shù)據(jù)集和不同的實驗設(shè)置，以驗證其 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估指標(biāo)是交并比(IoU)和前1準(zhǔn)確率，以評估預(yù)測邊界框與真實邊界框的匹配程度。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。

實施細(xì)節(jié)

研究中對數(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， 會保持原始寬高比。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)果在定量實驗中，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 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(jié)果證明了結(jié)合Triple Alignment和Multi- layer Multi-task Encoder-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各個模塊的有效性進(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，從而增強查詢表示的學(xué)習(xí)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(jìn)行了比較，以評估SegVG的計算開銷。結(jié)果表明，SegVG的計 算成本處于合理范圍，符合實際應(yīng)用需求。

定性結(jié)果

在定性分析中，通過對比不同模型在目標(biāo)檢測中的表現(xiàn)，SegVG在初始解碼層階段就能準(zhǔn)確識別目標(biāo)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(fù)雜背景下的目標(biāo)，顯示了其在多任務(wù)優(yōu)化時 的高度有效性。