YOLO-World技术小结

1 Motivation

这篇文章从计算效率的角度解决开集目标检测问题（open-vocabulary object detection，OVD）。

2 Method

经典的目标检测的instance annotation是bounding box和类别对 Ω = { B i , c i } i = 1 N \Omega = \{ B_i, c_i\}^{N}_{i=1} Ω={Bi​,ci​}i=1N​。对于OVD来说，此时的注释变为 Ω = { B i , t i } i = 1 N \Omega = \{ B_i, t_i\}^{N}_{i=1} Ω={Bi​,ti​}i=1N​，此处的$t$可以是类别名、名词短语、目标描述等。此外YOLO-Word还可以根据传入的图片和text，输出预测的box及相关的object embedding。

2.1 模型架构

模型架构由3个部分组成

• YOLO backbone，用于提取多尺度的图片特征
• text encoder，用于提取名词短语的特征。流程如下：给定一段text，首先会提取里面的名词，随后将提取的每个名词短语输入CLIP中得到向量。可以知道text encoder的输出$W$ $\in {\mathbb{R}}^{C\times D}$, $C$是名词短语的数量，$D$是embedding的维度
• Vision-Language PAN。用于预测bounding box和object embedding。其架构如下图所示，核心组件有两个，分别为Text-guided CSPLayer 及Image-Pooling Attention。下面对其进行简单介绍

Text-guided CSPLayer

该层的目的是为了用文本向量来强化图片特征。具体计算公式如下

X l ′ = X l ⋅ δ ( max ⁡ j ∈ { 1.. C } ( X l W j ⊤ ) ) ⊤ (1) X _ { l } ^ { \prime } = X _ { l } \cdot \delta ( \max _ { j \in \{ 1 . . C \} } ( X _ { l } W _ { j } ^ { \top } ) ) ^ { \top } \tag{1} Xl′​=Xl​⋅δ(j∈{1..C}max​(Xl​Wj⊤​))⊤(1)

式中： X l   ∈   R   H × W × D   ( l   ∈   { 3 , 4 , 5 } ) X _ { l } \, \in \, \mathbb { R } ^ { \, H \times W \times D } \, ( l \, \in \, \{ 3 , 4 , 5 \} ) Xl​∈RH×W×D(l∈{3,4,5}) 为多尺度的图片特征。$W_j$为名词$j$的text embedding。$\delta$为sigmoid函数。

**Image-Pooling Attention**

该层的目的是为了用图片特征来强化文本向量。具体做法为：将多尺度图片特征通过max pooling，每个尺度经过max-pooling后的size $\in {\mathbb{R}}^{3\times 3\times D}$即9个patch token，因为有3个尺度，总计27个patch token,记作$\tilde{X}\in {\mathbb{R}}^{27\times D}$ 。随后将这27个patch token作为 cross-attention的key，value，将text embedding作为query进行特征交互，从而得到image-aware的文本特征向量。

$$W^{\prime }=W+\mathrm{MultiHead}\mathrm{Attention}(W,\tilde{X},\tilde{X})\text{\hspace{1em}(2)}$$

2.2 优化目标

优化目标分为两部分：其一是针对语义的region-text 对比损失${\mathcal{L}}_{\mathrm{con}}$,其二是针对检测框的IOU loss ${\mathcal{L}}_{\mathrm{iou}}$和distributed focal loss ${\mathcal{L}}_{\mathrm{fld}}$,总体优化目标如下：

$$\mathcal{L}(I)={\mathcal{L}}_{\mathrm{con}}+{\lambda }_I\cdot ({\mathcal{L}}_{\mathrm{iou}}+{\mathcal{L}}_{\mathrm{dfl}}),\text{\hspace{1em}(3)}$$

2.3 一些细节

2.3.1 如何大批量自动化生成训练标注

目前我们可以很方便的拿到图片对数据，此处的目标是如何将图文对数据转化成，图片-instance annotation （ Ω = { B i , t i } i = 1 N \Omega = \{ B_i, t_i\}^{N}_{i=1} Ω={Bi​,ti​}i=1N​）的形式

作者的方法如下：

import string
import nltk
from nltk import word_tokenize, pos_tag

nltk.download('punkt')
nltk.download('averaged_perceptron_tagger')

def extract_noun_phrases(text):
    
    tokens = word_tokenize(text)
    tokens = [token for token in tokens if token not in string.punctuation]
    tagged = pos_tag(tokens)
    print(tagged)
    grammar = 'NP: {
?*+}'
    cp = nltk.RegexpParser(grammar)
    result = cp.parse(tagged)
    
    noun_phrases = []
    for subtree in result.subtrees():
        if subtree.label() == 'NP':
            noun_phrases.append(' '.join(t[0] for t in subtree.leaves()))
    
    return noun_phrases
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

[STEP2]: 将图片和提取的名词短语输入到GLIP中检测bounding box

[STEP3]: 将(region_img, region_text)和（img, text）送入到CLIP中计算相关度，如果相关度低，则过滤掉这个图片(作者制定的规则是$s=\sqrt{s^{img}\ast s^{region}}>0.3$)。再通过NMS过滤掉冗余的bounding box。

2.3.2 Vision-Language PAN 的重参数化

当推理的词表是固定的时候，此时text encoder的输出是固定的，$W\in {\mathbb{R}}^{C^{\prime }\times D}$ , $C^{\prime }$是offline词表的大小，$D$是embedding的维度。此时可以对Vision-Language PAN 层进行重参数化。

Text-guided CSPLayer 的重参数化

由于此时的$W$是固定的，可以将其reshape成$W\in {\mathbb{R}}^{C^{\prime }\times D\times 1\times 1}$随后作为1x1卷积的权重，此时式1可以转化为：

$$X^{\prime }=X\odot \delta (\max (\mathtt{Conv}(X,W),\mathtt{dim}=1)),\text{\hspace{1em}(4)}$$

$\odot$表示包含reshape和transpose的矩阵乘法运算

**Image-Pooling Attention 的重参数化**

作者表示可以将式2简化为:

$$W^{\prime }=W+\mathtt{Softmax}(W\odot \tilde{X}),\mathtt{dim}=-1)\odot W,\text{\hspace{1em}(5)}$$

论文给出的这个公式似乎有点问题，dim=-1不确定对应哪个操作？，此公式位于论文式6。
另外$\odot$这个符号似乎有点歧义，在式4中，$\odot$应该是对应元素相乘（Hadamard product），式5中应该是普通矩阵乘法 （matmul product）

3 Result

3.1 YOLO world的zero-shot能力

下表展现了YOLO-world在LVIS数据集上的zero-shot能力，可见效果优于当前Sota，但速度更快（评估硬件：NVIDIA V100 GPU w/o TensorRT）。

3.2 预训练数据集对效果的影响

用Object365和GlodG就能达到较好的效果。加入CC3M效果提升不是很大，可能是因为CC3M的标签是用2.3.1节的方法生成的，含有较多噪声导致。

3.3 text encoder对效果的影响

如果用轻量backbone最好结合微调。CLIP本身预训练的数据规模特别大，如果微调数据不多的话，frozen的效果反而好。

5 参考文献

YOLO-World: Real-Time Open-Vocabulary Object Detection