Zero-shot RIS SOTA：Text Augmented Spatial-aware Zero-shot Referring Image Segmentation 论文阅读笔记

写在前面

  好久没看到有做 Zero-shot RIS 的文章了，看到 arxiv 上面更新了这篇，特意拿出来学习一下。

• 论文地址：Zero-shot RIS SOTA：Text Augmented Spatial-aware Zero-shot Referring Image Segmentation
• 代码地址：原文未提供
• 预计投稿于：AAAI 等顶会
• 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

  本文研究 zero-shot 指代图像分割，旨在没有训练标注的情况下，识别出与指代表达式最相关的目标。之前的方法利用预训练的模型，例如 CLIP，来对齐实例级别的 masks。然而 CLIP 仅考虑了图文对间的全局水平上的对齐，忽视了细粒度的匹配。于是本文引入 Text Augmented Spatial-aware (TAS) zero-shot 指代图像分割框架，无须训练且对任意的视觉编码器鲁棒。TAS 整合了一个 mask proposal 网络用于实例级别的 mask 提取，一个文本增强的视觉-文本匹配得分用于挖掘图文间的关联，一个空间校正器用于 mask 后处理。除了常规的视觉-文本匹配得分外，增强文本的匹配得分包含了 P-score 和 N-score。P-score 通过一个字幕模型弥补视觉-文本鸿沟；N-score 通过负短语挖掘，实现区域-文本对的细粒度对齐。大量实验表明方法的效果很好。

二、引言

  首先介绍下 referring expression segmentation 指代表达分割的定义，应用，手工标注的不易。于是本文研究 zero-shot 指代图像分割来减少成本。接下来是一些方法的介绍，主要是指出直接应用 CLIP 效果不太好。

  于是本文引入文本增强的空间感知 Text Augmented Spatial-aware (TAS) zero-shot 用于指代表达式图像分割框架，由一个 mask proposal 网络，文本增强视觉-文本匹配得分，空间校正器组成。其中文本增强视觉-文本匹配得分由三个得分模块组合得到：第一个得分称之为 V-score，用于衡量 masked 图像和指代表达式间的相似度；第二个得分称之为 P-score，通过迁移 masked inage 到文本内，弥补文本-视觉鸿沟。具体来说，为每个 masked 图像生成一条字幕，接下来计算该字幕与指代表达式的相似性；第三个得分称之为 N-score，计算 masked 图像负表达式的余弦相似度。其中负表达式是在输入图像中的字幕中，挖掘那些名词短语得到。最后对上述三个得分进行线性组合，选择出与指代表达式最相关的 mask。另外由于 CLIP 很难理解方向的描述词，于是提出一种空间校正器作为一个后处理模块。

  在不修改 CLIP 结构或者微调的情况下，本文的方法使用文本增强的方式进行 CLIP 预测，提高了 zero-shot RES 的性能，实验效果很好。

三、相关工作

3.1 Zero-shot 分割

  介绍一些方法，包括 CLIP、ALIGN、ALBEF、Segment Anything Model (SAM)。

3.2 Referring Image Segmentation

  介绍下 Referring Image Segmentation (RIS) 的定义。一些监督方法需要像素级别的标注，但是标注成本很高。最近提出的一些弱监督分割工作仅基于图像文本对数据，另外一些工作进一步利用 CLIP 直接检索出 mask，而无需任何的训练过程。

3.3 Image Captioning

  介绍下 Image Captioning 的定义，但是需要大量的数据。最近的一些大预言模型丰富了生成的文本字幕的多样性。本文采用广泛使用的图像字幕网络 BLIP-2。

四、方法

4.1 总体框架

  提出的 Text Augmented Spatial-aware (TAS) 由三个部件组成：mask proposal 网络、文本增强的视觉-文本匹配得分 text-augmented visual-text matching score、空间校正器。Mask proposal 网络首先提取实例级别的 mask proposals。然后计算所有 masked 图像与指代表达式的匹配得分，用于衡量 masks 和文本的相似度。最后通过校正器的后处理，选出与指代表达式最相关的 mask。

4.2 Mask Proposal 网络

  将此任务分解为两过程：mask proposal 提取、masked image-text matching。为获得 mask proposals，采用离线的 mask 提取器，即 SAM 作为 mask proposal 网络，同时这一网络决定了模型的上界。

FreeSOLO vs. SAM

  之前的方法利用 FreeSOLO 来获得所有 masks，然而实验表明最近提出的 SAM 在分割单个目标时的效果更好。 下图展示了一些 mask proposal 网络的比较：

  从上图中可以看出，SAM 效果更好，因此模型的上界更高。FreeSOLO 在区分遮挡或重叠场景时效果比 SAM 差，于是本文采用 SAM 作为 mask proposal 网络。

4.3 文本增强的视觉-文本匹配得分

  Mask proposal 网络提供了实例级别的 masks，但并未包含语义信息。为缓解 CLIP 的限制，引入文本引导的视觉-文本匹配得分， V-score、P-score、N-score。

V-score

  给定输入图像 $I\in {\mathbb{R}}^{H\times W\times 3}$ 和指代表达式 $T_r$。SAM 从输入图像中提取一系列二值化的 masks $\mathbb{M}$，然后将对应的前景区域裁剪出来，送入 CLIP 视觉编码器。通过 CLIP 提取出的视觉和文本特征用于计算余弦相似度：
$$\begin{array}{rl}& I_m=\mathsf{crop}(I,m)\\ & {\mathbf{S}}_m^{\mathrm{v}}=\cos ({\mathrm{E}}_v(I_m),{\mathrm{E}}_t(T_r))\end{array}$$其中 $\mathsf{crop}$ 表示 masking 和 cropping 操作。${\mathrm{E}}_v$ 和 ${\mathrm{E}}_t$ 表示 CLIP 视觉和文本编码器，$\mathsf{cos}$ 表示两种特征的余弦相似度，输出结果为 ${\mathbf{S}}_m$，表示视觉-文本匹配得分。CLIP 视觉和文本编码器可以被任意的预训练模型代替。

P-score

  使用一个图像字幕模型为每个 masked image 生成补充的字幕。之后利用 CLIP 文本编码器编码这一字幕，并计算与指代表达式的余弦得分。这一过程表示如下：
$${\mathrm{S}}_m^{\mathrm{p}}=\cos ({\mathrm{E}}_t(C_m),{\mathrm{E}}_t(T_r))$$其中 ${\mathrm{S}}^{\mathrm{p}}$ 为 P-score，用于衡量字幕和指代表达式的相似度。同时该字幕模型可以用任意的字幕模型代替，${\mathrm{S}}^{\mathrm{p}}$ 的效果也高度取决于生成字幕的质量。

N-score

  考虑到图像中的多个目标可能属于不相关的指代表达式，于是提出 N-score 过滤掉这些目标。为区分这些目标，收集负表达式。然后将 masked image 和这些负表达式的相似度记为负的 N-score。此得分性能取决于负的表达式。

  为挖掘不相关的表达式，首先对于输入的图像，生成一个总体的字幕。然后使用 spacy 提取名词短语，将其视为潜在的负表达式。需要注意的是可能有多个短语指向同一目标。为避免这种情况，使用 Wordnet 来去除那些包含同义词的短语。具体来说，计算两个名词的路径相似度（？未知其意），然后决定是否需要消除这种同义词。而剩下的名词短语集 ${\mathbb{T}}_n$ 用于计算与 masked images 间的余弦相似度。定义 ${\mathrm{S}}_m$ 为整体短语的平均相似度值：
$${\mathrm{S}}_m^{\mathrm{n}}=-\frac{1}{|{\mathrm{T}}_n|}\sum _{T\in {\mathrm{T}}_n}\cos ({\mathrm{E}}_v(I_m),{\mathrm{E}}_t(T))$$需要注意的是 ${\mathrm{S}}^{\mathrm{n}}$ 是个负分数，因为其衡量的是 masked image 与目标表达式不相关的概率。${\mathrm{S}}^{\mathrm{n}}$ 同样与字幕模型相关，更详细的字幕有益于捕捉更多地负表达式。

The text-augmented visual-text matching score

  由于上述三种得分都是基于 CLIP 计算的余弦相似度，于是通过线性组合得到最终的视觉-文本匹配得分，同时输出最高得分的 mask：
$$\begin{array}{rl}{\mathbf{S}}_m& ={\mathbf{S}}_m^{\mathrm{v}}+\alpha {\mathbf{S}}_m^{\mathrm{p}}+\lambda {\mathbf{S}}_m^{\mathrm{n}}\\ \hat{m}& =\underset{m\in \mathbb{M}}{\mathrm{argmax}}{\mathbf{S}}_m\end{array}$$其中 $\hat{m}$ 为最高得分 $\mathbf{S}$ 的 mask。

4.4 空间校正器

  由于 CLIP 并未考虑空间关系，于是提出一个空间解析器用于后处理，强制模型从特定区域中选择 masks。这一过程可以划分为三步：方向描述鉴定、位置计算、空间校正。

方向描述鉴定

  首先通过 spacy 从指代表达式 $T_r$ 中提取方向词，并检查其是否为 “up、bottom、left、right”。如果描述词中没有方向词，则无需应用空间校正器。

位置计算

  接下来为每个 mask 计算其中心点，从而作为位置的表示。具体来说，平均所有前景像素的坐标为 mask 的中心点位置。

空间校正

  在得到中心点位置后，在相应的方向范围内选择所有得分 $S$ 中最大的作为 mask。在这个后处理之后，就能限制 CLIP 关注到特定区域了，从而解决方向描述的问题，校正其错误的预测。

五、实验

5.1 数据集和指标

  RefCOCO、RefCOCO+、RefCOCOg、PhraseCut test set；
  overall Intersection over Union (oIoU)、mean Intersection over Union (mIoU)

5.2 实施细节

  默认采用 ViT-H+SAM，超参数 predicted iou threshold 和 stability score threshold 都设为 0.7。points per side 设为 8。对于 BLIP-2，采用 OPT-2.7b 模型。对于 CLIP，采用 RN50 和 ViT-B/32。输出图像尺寸 $224\times 224$。在 RefCOCO 数据集上，$\lambda =0.1$；在 RefCOCO+ 数据集上，$\lambda =1$，所有数据集上的 $\alpha =0.1$。

5.3 Baseline

  Baseline 方法可以划分为两种类型：基于激活图的、基于图像文本相似度的。本文采用 mask proposals 作为激活图，然后选择最大平均激活分数的 mask。类似的方法有：Grad-CAM、Score Map、Clip-Surgery。而基于相似度的方法有：Region Token、Global-Local、Text-only、CLIP-only、TSEG。

5.4 结果

不同数据集的性能

定性分析

5.5 消融实验

超参数 $\alpha$ 和 $\beta$ 的敏感性

提出模块的重要性

masked images 输入格式的影响

image captioning 模型的重要性

TAS 能够泛化到其它的图像-文本对比模型吗？

TAS 能够应用于实际场景吗？

  TAS 无需很高的计算资源，所有实验执行在单块 RTX 3090 上，整个模型大约 22GB，包含一个 mask 生成模块 (SAM)，字幕器 (BLIP2)，masked 图像-文本匹配（CLIP）。推理速度 3.63 秒/张图像。

六、结论

  本文提出文本增强的空间感知 Text Augmented Spatialaware (TAS) 框架应用于 zero-shot RIS，由一个 mask proposal 模块、一个文本增强的视觉-文本匹配得分 text-augmented visual-text matching score、一个空间校正器 spatial rectifier 组成。首先利用离线的 SAM 得到实例级别的 masks，然后文本增强的视觉-文本匹配得分用于选择出与指代表达式最相关联的 mask。接着是空间校正器中的后处理操作，能够解决方向描述的问题。实验效果很好。

七、限制

  其中一个限制是 SAM 偶尔未能生成理想的 mask proposals，因此限制了性能。此外本文的框架上界受限于部署的图像-文本对比模型。另一个限制在于 TAS 不能解决复杂的场景。此外，对于指代表达式中的代称不是太能理解，可能需要未来的大语言模型。

写在后面

  通篇看下来，这篇文章写的是关于 zero-shot 的方法，但是目前基于 SAM 的方法确实很厉害。所以不知道这篇论文会不会进入审稿人的眼中呢？