论文题目

Tokenize Anything via Prompting

作者

Ting Pan, Lulu Tang, Xinlong Wang, Shiguang Shan (Beijing Academy of Artificial Intelligence)

发表年份

2023

摘要

提出了一个统一的可提示模型，能够同时对任何事物进行分割、识别和描述。与SAM不同，我们的目标是通过视觉提示在野外构建一个多功能的区域表示。为此，我们使用大量分割掩码（如SA-1B掩码）和来自预训练CLIP模型的语义先验（拥有50亿参数）训练了一个通用模型。

具体而言，通过为每个掩码token添加一个语义token来构建一个可提示的图像解码器。语义token负责在预定义的概念空间中学习语义先验。通过对掩码token上的分割和语义token上的概念预测进行联合优化，模型表现出强大的区域识别和定位能力。例如，一个额外的3800万参数的因果文本解码器从零开始训练，在Visual Genome区域描述任务中创下了150.7的CIDEr分数新纪录。我们认为这个模型可以成为一个多功能的区域级图像tokenizer，能够为广泛的感知任务编码通用的区域上下文。代码和模型可在以下地址获取：https://github.com/baaivision/tokenize-anything。

引言

视觉感知的一个关键目标是有效地定位和识别任意感兴趣区域。它需要一个能够理解区域上下文并同时执行分割、识别和描述等感知任务的单一视觉模型。然而，现有模型通常只专注于定位类不敏感的掩码（例如SAM）或仅提取视觉语义（例如CLIP及其区域级变体）。特别是SAM开发了一个可以通过提示分割任何事物的分割基础模型，使得像素级定位任务具有强大的泛化能力。另一方面，CLIP通过在网规模的图像-文本对上进行对比学习，训练了一个识别基础模型，展示了在识别任务中强大的零样本能力。因此，从CLIP模型中学习语义先验是实现全面视觉感知的有希望的途径。

主要内容

论文详细介绍了如何构建一个能够高效实现分割、识别和描述任何事物的可提示模型。这是通过在可提示分割器内预测CLIP先验以及扩展模型范围来包含描述生成能力来实现的。文章主要关注在一个可提示分割模型SAM中对视觉和语言进行对齐，从而增强模型的区域级语义感知能力。与依赖于精心收集或近似的区域-文本数据的先前方法不同，作者的方法使用来自SA-1B的详尽分割数据和CLIP对掩码和语言进行对齐。模型在人工策划的概念空间中使用现成的CLIP嵌入，并在SAM的框架内进行预训练。

实验

在“实验”部分，作者详细介绍了他们如何在不同的数据集和任务上测试TAP模型。他们使用了SemanticSA-1B数据集进行零样本分割和区域级描述任务的实验。这些实验旨在评估模型在处理各种视觉和语言任务时的效果，包括图像分割、对象识别和图像描述。作者还对模型在各种复杂场景下的性能进行了评估，这包括不同类型的图像和多样化的描述任务。实验结果表明，TAP模型在所有测试任务上均表现出色，尤其是在零样本学习和区域级描述生成方面，显示了其卓越的适应性和灵活性。这些实验结果强调了模型的有效性和广泛的应用潜力。

结论

视觉提示可以促进超越简单分割的更广泛任务范围。通过在图像级CLIP中引入区域语义意识，SAM得到了增强，而不会损害掩码AP。此外，诸如词汇概念空间这样的正交空间对于有效学习CLIP先验至关重要。最后，他们强调，带有视觉提示的TAP模型充当了一个多功能的、位置感知的图像tokenizer，其中token化的区域特征可以直接用于提示因果语言建模。

阅读心得

就是在SAM架构上加上了text_token使得原来基于mask训练的SAM，现在也要基于text的描述进行训练。

亮点：训练了一个可用于VLM的基座模型，为下游任务提供一个vision-text对齐的SAM模型。

这个想法我们以前也提到过(下图中"Mask Decoder Lightly Adapt"部分)： 但是苦于训练不动，放弃了。

https://aibee.feishu.cn/sync/DrsRdXCpbsfwU0bwcJ3cVxmdnIb