点击下方卡片，关注“CVer”公众号

AI/CV重磅干货，第一时间送达
点击进入—>【Mamba和图像分割】微信交流群

添加微信：CVer5555，小助手会拉你进群！
扫描下方二维码，加入CVer学术星球！可以获得最新顶会/顶刊上的论文idea和CV从入门到精通资料，及最前沿应用！发论文/搞科研/涨薪，强烈推荐！

论文名：Unveiling Parts Beyond Objects: Towards Finer-Granularity Referring Expression Segmentation
论文链接：https://arxiv.org/pdf/2312.08007.pdf
开源代码：https://github.com/Rubics-Xuan/MRES
引言
作为视觉-语言理解中最具挑战性的任务之一，指 代表达分割（ReferringExpression Segmentation，RES） 旨在基于描述性语言表达在像素级别上定位特定区 域。与传统的仅关注图像或视频的视觉分割任务相比， RES由于需要跨模态进行强大的理解而面临更大的困 难和挑战，但它可以同时缓解传统对象检测或分割中 预定义类别的问题。由于现实世界场景通常需要多样 性的目标识别，RES任务在应用方面具有巨大潜力，例 如基于语言的人-物互动和交互式图像编辑。
简介
在本文中，我们进一步迈向更精细 的部分级RES任务。为了促进面向更精细视觉-语言理 解的对象级RES任务，我们提出了一个新的多粒度指 代表达分割（MRES）任务，并通过手动注释构建了 一个名为RefCOCOm的评估基准。通过利用我们的自动模型辅助数据引擎，我们构建了最大的视觉定位数据集，即MRES-32M，其中包括超过32.2M个高质量的蒙版和标题，涵盖了提供的1M张图像。此外，设计了 一个简单但强大的模型UniRES来完成统一的对象级和部分级定位任务。对我们的RefCOCOm进行的大量实 验，以及对经典RES任务的三个数据集（即，RefCOCO （+/g））的实验表明，我们的方法优于先前的最先进方法。
Multi-Granularity Grounding Dataset
01
Data Collection Engine
考虑到经典的指代表达分割任务的内在复杂性， 相关的训练数据需要在文本和视觉领域进行广泛的注 释成本。当粒度提升到部分级别时，注释的复杂性进 一步加剧。我们认为，阻碍开放世界基础的主要瓶颈 是当前数据可扩展性所施加的限制。通过利用强大的 基础模型进行协同增强，我们引入了一个先进的数据 引擎，能够自动生成可靠的视觉基础数据。
（1）多粒度密集字幕生成器。
对 于图像粒度，我们使用COCO数据集，其中所有 边界框都统一表示为(0,0),(999,999)。对于对象粒 度，我们利用Visual Genome数据集。对于部分粒 度，我们利用单模态语义分割数据，并采 用PartNameX of ObjectNameY形式的模板构建密 集字幕。这种统一的多任务训练方法可以在不同粒度 之间协同增强：它允许LVLMs融合更全面和详细的信 息以增强部分粒度描述。同时，部分粒度的知识有助 于LVLMs在对象内部推广知识。
（2）模型辅助数据生成。
为了生成基于对象级别的视觉 定位数据，我们利用大规模对象检测数据集Object365提供高度可靠的边界框。此外，其中丰富的类别标签确保了全面的知识覆盖。如图(b)所示，这些 边界框将作为视觉提示，分别被发送到可提示分割器 （即segment anything model）和我们的密集字幕生 成器中，以获取分割掩模和详细的语义描述。
（3）数据过滤。
在完成所有图像的多粒度注释后，我们进 一步引入CLIP 进行过滤。从原始图像中裁剪出边 界框，然后将其与密集字幕一起发送到编码器中以测 量相似度。为了在很大程度上确保视觉和语言注释的 一致性，我们保留相似度大于0.5的框-字幕对作为最终 的注释结果。
02
MRES-32M Dataset Details
总的来说，我们将提出的MRES-32M与现有数据 集进行比较，并在表2中列出我们数据集的一些独特 和显著属性。
（1）统一的多粒度。与接地对应物相比，我们的MRES 32M是第一个涵盖部分和对象粒度的视觉接地数据集。与部分级别分割对应物相比，我们的MRES-32M为每 个部分掩模提供了信息丰富且独特的细粒度描述。 
（2）更多样化的类别。我们的MRES-32M由365个对象类别 和相关的2,299个部分类别组成。与现有数据集相比， 它涵盖了更广泛的多模态知识范围，是朝着开放世界 理解的重要一步。 
（3）可拆分的数据规模。据我们所知，MRES-32M是当前 接地研究社区中最大的数据集。就图像数量和对象实 例数量而言，它分别超过了最大的现有视觉接地数据 集RefCOCOg [27] 38倍和283倍。同时，它包含的部分 实例计数超过了最大的现有部分语义分割数据集[33] 的58倍。
（4） 更复杂的指代。受益于我们基于LVLM的密集描述生 成器，MRES-32M的指代可以更充分地与视觉上下文 相结合，用于实体（即部分和对象）描述。不拘泥于 特定模板，实体的关系和属性可以在自由自然语言表 达中突出显示。
方法与模型
多粒度RES模 型UniRES，用于统一的MRES任务，其中涉及到对象 和部分粒度的参考目标。由于我们最初的意图是为提 出的多粒度RES任务建立一个简单易懂的基准模型,我 们的UniRES模型的结构被设计为简单清晰。
UniRES有三个主要组件：
（1）视觉-语言骨干网络。 
    考虑到捕捉视觉-语言特征表 示的强大能力和可扩展性的要求，我们利用CLIP模 型[32]的CLIP预训练权重，该模型从大量的图像-文本 对中学习可转移的视觉和语言概念，并将其作为我们 的参考分割框架的骨干。我们利用CLIP中的图像和文 本编码器（即VisionTransformer (ViT) [8]和Transformer [39]）来有效提取视觉和语言特征。
（2）基于查询的分组设计。
    为了有效完成提出的MRES任 务，必须利用低级局部和高级全局视觉特征。为了增 强CLIP骨干的局部-全局视觉表示，而不引入太多额外 的参数或改变模型的结构，我们在CLIP视觉骨干的第 一层和中间层中分别加入了64个和8个可学习的标记 （经验设置）。这些可学习的标记遍布视觉骨干的前半 部分和后半部分。我们期望ViT的内部自注意机制隐式 地执行视觉分组的方式，同时获取捕捉低级局部和高 级全局特征的代表性分组标记。基于局部特征更加分 散的事实，附加的低级分组标记的数量大于高级分组标记的数量。然后，来自两个级别的分组标记被输入 到一个语言引导的区域过滤器（LRF）中，通过交叉注 意机制选择与语言相关的视觉特征，然后进行串联以 融合这些与表达相关的视觉分组标记，用于后续的视 觉-语言解码。
（3）两阶段V-L解码器。
    现在，从骨干网络中获取了视觉和 文本特征表示，以及具有两个不同级别的与表达相关 的分组标记，我们使用由堆叠的Transformer层组成的 两阶段掩码解码器来生成分割掩码。具体而言，第一 阶段的V-L解码器将提取的视觉和文本特征作为输入， 并生成第一阶段融合的多模态表示。随后，这些多模 态特征进一步与两个语义级别（即低级和高级）的分 组表达相关区域特征进行集成，以实现进一步的特征 增强，然后通过线性投影层获得最终的分割掩码。
实验与结果
为了评估我们方法的有效性，我们在三 个经典的RES数据集（即RefCOCO， RefCOCO+， RefCOCOg）以及我们的多粒度RES基准RefCOCOm上 进行了全面的实验。
在我们的RefCOCOm基准测试中，以mIoU为指标与 之前的最佳方法进行比较。
与先进方法在之前三个经典的RES基准数据集上进行比较
我们在RefCOCOm验证集上进行的分割结果的视觉比较
多粒度RES任务的RefCOCOm基准的更多选定样本

何恺明在MIT授课的课件PPT下载

在CVer公众号后台回复：何恺明，即可下载本课程的所有566页课件PPT！赶紧学起来！

CVPR 2024 论文和代码下载

在CVer公众号后台回复：CVPR2024，即可下载CVPR 2024论文和代码开源的论文合集
Mamba和图像分割交流群成立
扫描下方二维码，或者添加微信：CVer5555，即可添加CVer小助手微信，便可申请加入CVer-Mamba和图像分割微信交流群。另外其他垂直方向已涵盖：目标检测、图像分割、目标跟踪、人脸检测&识别、OCR、姿态估计、超分辨率、SLAM、医疗影像、Re-ID、GAN、NAS、深度估计、自动驾驶、强化学习、车道线检测、模型剪枝&压缩、去噪、去雾、去雨、风格迁移、遥感图像、行为识别、视频理解、图像融合、图像检索、论文投稿&交流、PyTorch、TensorFlow和Transformer、NeRF、3DGS、Mamba等。
一定要备注：研究方向+地点+学校/公司+昵称（如Mamba或者图像分割+上海+上交+卡卡），根据格式备注，可更快被通过且邀请进群

▲扫码或加微信号: CVer5555，进交流群
CVer计算机视觉（知识星球）来了！想要了解最新最快最好的CV/DL/AI论文速递、优质实战项目、AI行业前沿、从入门到精通学习教程等资料，欢迎扫描下方二维码，加入CVer计算机视觉（知识星球），已汇集近万人！
▲扫码加入星球学习
▲点击上方卡片，关注CVer公众号
整理不易，请点赞和在看

继续阅读
阅读原文