开放词汇视觉定位 OV-VG: A Benchmark for Open-Vocabulary Visual Grounding 论文笔记

写在前面

  又是一周周末，光调代码去了，都没时间看论文了，汗。

  这是一篇关于开放词汇定位的文章，也是近两年的新坑。

• 论文地址：OV-VG: A Benchmark for Open-Vocabulary Visual Grounding
• 代码地址：https://github.com/cv516Buaa/OV-VG
• 收录于：IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS FOR VIDEO TECHNOLOGY
• Ps：2023 年每周一篇博文阅读笔记，主页 更多干货，欢迎关注呀，期待 6 千粉丝有你的参与呦~

一、Abstract

  开放词汇检测旨在检测那些未出现在预定词汇中的目标，类似的任务有视觉定位 Visual Grounding (VG)。然而当前的基础模型虽然在很多视觉语言任务上表现很好，但是在开放视觉定位 open-vocabulary visual grounding (OV-VG) 上还没有拿得出手的工作。本文提出一种新的 OV 任务，名为开放词汇定位 Open-Vocabulary Visual Grounding (OV-VG) 和开放词汇短语定位 Open-Vocabulary Phrase Localization (OV-PL)。整体目标是建立起语言描述和新颖目标定位间的联系。

  为了测试这两任务，建立了一个包含 7272 张图像的数据集，由 1 万个实例组成，其中的 1 千张用于组成 OV-PL 数据集。基于这些数据，测试了大量的方法，但是效果都不太好。于是本文提出一种方法，其中包含两个关键模块：图像文本 Query 选择 Text-Image Query Selection (TIQS) 、语言引导的特征注意力 Language-Guided Feature Attention (LGFA)，用于促进对新类别的识别以及增强视觉和文本信息的对齐。大量的实验表明方法达到了 SOTA 的性能。

二、Abstract

  首先指出视觉定位的定义和意义。之前的方法通过增强视觉-语言表示弥补了视觉语言的代沟，但是检测新的目标不太行。另外，在视觉定位任务中，目前没有公开的数据集用于支持新类别目标的检测。

  最近，开放词汇学习很火，尤其是基于 CLIP 的模型，快速席卷了开放词汇检测和开放词汇分割 open-vocabulary detection (OV-D)、open-vocabulary segmentation (OV-S)。但现有的方法受限于大量的数据。于是本文引入一个手工裁剪的数据集，用于开放词汇视觉定位 open-vocabulary visual grounding (OV-VG) 任务，同时设计了一个数据集，其中包含 100 个新颖的类别，每个类别包含 100 个实例。每张图像对应两种描述：一个只包含基础的类别，而另一个则是基础和新颖的概念组合。提出的方法包含文本-图像 query 选择 text-image query selection (TIQS) 和语言引导的特征注意力 language-guided feature attention (LGFA)。此外，还提供了一些 baseline 模型用于 OV-PL 数据集。OV-VG、OV-PL 与 VG、PL、OV-D 的区别如下表所示：

  本文贡献总结如下：

• 提出开放词汇视觉定位 open-vocabulary visual grounding (OV-VG) 和开放词汇短语定位 open-vocabulary phrase localization (OV-PL) 任务，发布了两个数据集。
• 在 OV-VG 和 OV-PL 数据集上测试了现有的方法（这也行？）。
• 提出一个网络，整合了 text-image query selection (TIQS) 和 language-guided feature attention (LGFA)。
• 大量的实验验证了方法的有效性。

三、相关工作

A、视觉定位

  现有的方法可以划分为两阶段的方法和单阶段方法。而大部分的视觉定位基本上都是目标检测方法的拓展。

  两阶段方法中，首先是生成区域 proposals，接着是利用特定的语言输入鉴定最合适的 proposal，缺点在于推理速度太慢。另一方面，单阶段的方法能无缝地整合视觉和语言特征来直接圈出特定的区域。然而由于逐点进行特征表示，在捕捉复杂的视觉语言信息时，能力稍显不足。

  随着 Transformer 的出现，能够直接检索出特定的目标，例如 TransVG、VLTVG。

B、短语定位

  短语定位旨在建立起名词短语和特定区域间的联系，通过引入空间关系，可以区分出不同的实体。一些弱监督和无监督的方法尝试减小标注的成本，例如 Align2Ground。而本文引入一种新的开放词汇定位方法，同时展示了多种 Baseline 方法。

C、开放词汇学习

  主流的开放词汇目标检测 open-vocabulary object detection (OV-D) 可以划分为五个类别：知识蒸馏、区域文本预训练、利用更平衡的数据集和伪标签来训练模型、prompting modeling、区域文本对齐。例如 ViLD、FVLM、Grounding DINO。

  开放词汇分割催生了很多技术，例如 Visual Language Models (VLMs)、diffusion models、开放词汇视频理解、开放词汇 3D 理解。然后是一些方法举例：OpenSeeD、X-Decoder。

D、开放词汇视觉定位

  开放词汇目标检测方法旨在鉴别出未定义的目标类别，应用很广泛。目前还没有 Benchmark 或者方法用于开放视觉定位任务。于是本文引入两个 Benchmark 数据集，OV-VG 和 OV-PL，同时提供大量的 Baseline 模型用于 OV-VG 任务。此外，引入了一些短语定位方法。最后提出了一种网络用于解决 OV-VG 问题。

四、数据集构建

A、数据集描述

  OV-VG 数据集包含 7272 张图像，共计 1 万个实例。所有的图像选自 MSCOCO 数据集，且与 RefCOCO+\g 无交集。选择 COCO 中的 80 个类别作为基础类，另外 100 个来自 LVIS 的类别作为新颖类别。进一步从 OV-VG 数据集中挑选出 1 千张图像作为开放词汇短语定位任务的数据集，标注格式与 Flickr30k Entities 一致。

B、数据集分离

1) 图像分离

  由于 RefCOCO 和 COCO2017 的训练集和测试集有交集，于是从 COCO2017 val 和 RefCOCO val 中挑选图像。同时确保 OV-PL 中的 1 千张图像完全来源于 OV-VG。

2）类别分离

  选择 COCO 中的 80 个类别作为基础类，另外 100 个来自 LVIS 的类别作为新颖类别。

C、数据标注和样本

1）OV-VG Referring Expression Annotation

  6 个标注打工人，两个质量检测打工人。样本如下图所示;

  开始时在每个描述中用新类别来代替旧的，描述中包含颜色、形状、关联关系等。OV-VG 数据集不仅包含新的类别，而且在标注过程中，特意增强对视觉-语言的理解。举例如下：

  RefCOCO 包含了目标和一些位置词语，而 RefCOCO+ 用动作行为代替了其绝对位置，RefCOCOg 则使用来更细节的描述。OV-VG 描述模仿 RefCOCOg 的格式，旨在从细节上描述新颖类别目标的信息，同时也并未限制方向词汇和属性词汇的使用。RefCOCO、RefCOCO+、RefCOCOg、OV-VG 数据集的平均描述长度分别为 3.61、3.53、8.43 和 9.32。

2）OV-VG Bounding Box Annotation

  利用 LVIS 中的原始标注 boxes，处理成与 RefCOCO 相同的格式，包含位置和尺寸 4 个维度，表示目标的左上角和右下角坐标。OV-VG 和 RefCOCO val 的数据分布如下图所示：

  从图中看到，OV-VG 和 RefCOCO val 的实例数量几乎相同，1 万 vs. 10834。相比于 RefCOCO val，OV-VG 的尺度变化则更加明显，更加符合现实。同时 OV-VG 数据集中的目标更小，因此需要模型更精确的定位能力。

3）OV-PL Annotation

  从 OV-VG 中选择 1 千张图像构建 OV-PL 数据集，标注方式类似于 Flickr30k Entities，但是只有两种结构化的描述（前者是 5 种）。其中一个句子仅使用基础的类别，而另一个同时使用基础和新颖的类别。标注分为两个阶段：指代描述+bounding box 标注。样本如下图所示：

五、方法

A、整体网络

  如上图所示，结合当前的 VG 和 OV-VD 网络结构来设计端到端的 OV-VG 网络。给定图像文本对，首先用图像 Backbone，类似 ResNet-50 或 Swin Tranformer 提取图像特征；文本 Backbone，类似 BERT 或 CLIP 提取文本化的 embedding。之后将图像和文本特征送入一个特征编码器用于特征融合。

  为对齐这两种模态，在特征编码器中添加图像-文本和文本-图像跨模特注意力。然后应用语言引导的特征注意力 language-guided feature attention (LGFA) 和文本-图像 query 选择 text-image query selection (TIQS) 来进一步指代目标。LGFA 强化图像特征，使其能够关注指代表达式区域，而 TIQS 提供所有潜在的与位置相关的 boxes，并从中选择出 top-K 个 queries。最后，应用特征编码器来分析编码后的图像和文本特征，定位到更精确的目标位置并输出 top-1 box。算法路线图如下所示：

B、特征编码器

  给定图像和文本表达式，送入 CLIP 图像和文本 Backbone，提取图像特征和文本 embedding。使用多尺度可变形自注意力来增强展平后的图像特征，使用自注意力增强文本特征。最后引入两个跨膜态注意力深度融合图像和文本信息。在融合当前层的输出后，接下来更新输入用于下一层的融合。定义 $n=min(N_v,N_l)$，其中 $N_v$ 和 $N_l$ 分别是图像和文本的编码器层，$v_v^{\prime }$ 定义为：
$$v_v^{\prime }=concat\left({\mathcal{P}}_{v\to l}\left({\mathcal{P}}_{l\to v}\left(v_{v(i)},v_{l(i)}\right)\right)\right),0\le i\le n)$$其中 ${\mathcal{P}}_{v\to l}(\cdot )$ 和 ${\mathcal{P}}_{l\to v}(\cdot )$ 分别表示图像-文本，文本-图像融合。$v_{v(i)}$ 和 $v_{l(i)}$ 分别是图像和文本编码器的第 $i$ 层，接着是一个 FFN + ReLU 激活。

C、模块结构

1）语言引导的特征注意力模块 Language-Guided Feature Attention Model

  LGFA 基于多头注意力机制，其中的 query 为展平的图像特征 $v_v^{\prime }$，key 和 value 则是文本 embedding $v_l^{\prime }$。多头注意力对齐展平后的图像和文本特征生成语义图 $v_s^{\prime }$。然后使用线性投影和 L2 归一化将 $v_v^{\prime }$ 和 $v_s^{\prime }$ 投影到相同的空间，记为 ${\hat{v}}_v^{\prime }$ 和 ${\hat{v}}_s^{\prime }$。接下来为每个点 $x$ 计算注意力得分：
$$S_x=\alpha \cdot \exp \left(-\frac{{\left(1-{\hat{v}}_v^{\prime }{\left(x\right)}^{\mathbf{T}}{\hat{v}}_s^{\prime }\left(x\right)\right)}^2}{2{\sigma }^2}\right)$$其中 $\alpha$ 和 $\sigma$ 为可学习的参数。

  基于上式得到的注意力分数，采用点乘对 $v_v^{\prime }$ 计算，得到新的 $v_v^{\prime \prime }$ 用于特征解码器：
$$v_v^{\prime \prime }=\beta \cdot v_v^{\prime }\cdot S_x+(1-\beta )\cdot v_v^{\prime }$$其中 $\beta$ 是平衡超参数，实验中设为 0.7。

2）文本-图像 Query 选择

  首先生成 Proposals，根据展平的图像特征 $v_v^{\prime }$ 和文本特征 $v_l^{\prime }$，计算两者间的 eisum：
$$S_l=\frac{v^{{}^{\prime }T}{v}_l^{\prime }}{\Vert v_v^{\prime }\Vert \Vert v_l^{\prime }\Vert }$$其中 $S_l$ 表示 logit 分数。此函数用于衡量图像特征和文本 embedding 间的相似度，旨在匹配这两个模态特征。之后根据 loggit 分数，从中选出 top-K 个 queries，送入到解码器。

D、特征解码器

  引入 DINO 解码器，并添加一些文本注意力来对齐文本-图像模态。

  首先，将 top-K 个 queries 作为特征解码器的输入。query $t_q\in {\mathbb{R}}^{C\times 1}$ 输入到自注意力模块，来收集与目标 $t_l\in {\mathbb{R}}^{C\times 1}$ 相关的语义信息。而 LGFA 模块的输出作为 key 和 value 用于图像-文本跨模态注意力。于是聚合 $t_l$ 和 $v_v^{\prime \prime }$ 特征得到视觉特征 $t_l^{\prime }\in {\mathbb{R}}^{C\times 1}$ 作为 query，文本 embedding $v_l^{\prime }$ 作为 key 和 value，输出 $t_v$。定义 $i(1<i<N)$ 作为解码器的当前阶段，之后通过 $t_v$ 更新 query $t_q^i$：
$$t_q^{i+1}=f_{LN}\left(f_{LN}\left(t_q^i+t_v\right)+f_{FFN}\left(f_{LN}(t_q^i+t_v)\right)\right)$$其中 $f_{LN}(\cdot )$ 和 $f_{FFN}(\cdot )$ 分别表示 L2 归一化和前项传播网络。每个解码器层添加跨膜态注意力信息用于视觉-语言对齐。

E、训练损失

  在训练阶段，结合 OV-VD 和 VLTVG 的损失函数到提出的 OV-VG 框架内。此外，引入对比对齐损失。具体来说，将文本 embedding 视为 $t_i$，proposal embeddings 的数量为 $N$，$O_i^{+}$ 表示与 $t_i$ 对齐的正样本数量。于是损失定义如下：
$${\mathcal{L}}_{cts}=\frac{1}{\left|O_i^{+}\right|}\sum _{j\in O_i^{+}}-\log \left(\frac{\exp \left(t_i^T{o}_j/\tau \right)}{{\sum }_{k=0}^{N-1}\exp \left(t_i^T{o}_k/\tau \right)}\right)$$其中 $\tau$ 为温度参数，整体损失为：
$$\mathcal{L}={\lambda }_{\mathrm{giou}}{\mathcal{L}}_{\mathrm{giou}}+{\lambda }_{L1}{\mathcal{L}}_{L1}+{\lambda }_{\mathrm{cts}}{\mathcal{L}}_{\mathrm{cts}}$$其中 ${\mathcal{L}}_{\mathrm{giou}}$、${\mathcal{L}}_{L1}$、${\mathcal{L}}_{\mathrm{cts}}$ 分别表示 GIoU 损失、L1 损失和对比对齐损失。${\lambda }_{\mathrm{giou}}={\mathcal{L}}_{\mathrm{cts}}=2$、${\lambda }_{L1}=5$ 为平衡的超参数。

F、实施细节

  模型训练在 RefCOCO 数据集上，推理在 OV-VG。图像 Backbone 采用 ResNet-50 和 CLIP。输入尺寸 $640\times 640$，最大文本长度 $256$。两块 3090，AdamW 优化器，初始学习率 $1\times 10^{-4}$，权重衰减 $1\times 10^{-5}$，Batch 16，10 个 epochs。

六、实验

  

A、消融研究

  

  

B、数据泄露

  

  

C、数据集分析及错误案例

  


  

D、可视化实验

  

七、结论

  本文引入两个数据集 OV-VG 和 OV-PL，提出了一种 OV-VG 框架，整合了 LGFA 和 TIQS 模块。在 OV-VG 数据集上的表现表明本文提出的方法效果很好。通过可视化实验验证了方法的理论。

写在后面

  这是篇挖坑的工作，思路还是比较简单的，后续有想“水”点论文的同学可以按照此种方法来操作下。当然缺点也有，这个创新点还是稍显薄弱，另外 Fig. 1 图片论文中根本没有引用，那么放上来是干啥的？图形摘要？