賈佳亞團(tuán)隊(duì)提出LISA大模型：理解人話「分割一切」，在線可玩

十三 2023-08-09 12:22:53 來源：量子位

金磊 整理自 凹非寺

量子位 | 公眾號 QbitAI

分割一切這事，又有一項(xiàng)重磅研究入局。

香港中文大學(xué)終身教授賈佳亞團(tuán)隊(duì)，最新提出LISA大模型——理解人話，精準(zhǔn)分割。

例如讓AI看一張?jiān)绮蛨D，要識別“哪個是橙子”是比較容易的，但若是問一句“哪個食物維他命C最高”呢？

畢竟這不是一個簡單分割的任務(wù)了，而是需要先認(rèn)清圖中的每個食物，還要對它們的成分有所了解。

但現(xiàn)在，對于這種人類復(fù)雜的自然語言指令，AI已經(jīng)是沒有在怕的了，來看下LISA的表現(xiàn)：

不難看出，LISA精準(zhǔn)無誤的將橘子分割了出來。

再“投喂”LISA一張圖并提問：

是什么讓這位女士站的更高？請把它分割出來并解釋原因。

從結(jié)果上來看，LISA不僅識別出來了“梯子”，而且也對問題做出了解釋。

還有一個更有意思的例子。

許多朋友在看到這個大模型的名字，或許會聯(lián)想到女子組合BLACK PINK里的Lisa。

賈佳亞團(tuán)隊(duì)還真拿她們的照片做了個測試——讓LISA找Lisa：

不得不說，會玩！

基于LISA，復(fù)雜分割任務(wù)拿下SOTA

根據(jù)發(fā)布的論文來看，LISA是一個多模態(tài)大模型，它在這次研究中主攻的任務(wù)便是推理分割（Reasoning Segmentation）。

這個任務(wù)要求模型能夠處理復(fù)雜的自然語言指令，并給出精細(xì)的分割結(jié)果。

如上圖所示，推理分割任務(wù)具有很大的挑戰(zhàn)性，可能需要借鑒世界知識（例如，左圖需要了解“短鏡頭更適合拍攝近物體”），或進(jìn)行復(fù)雜圖文推理（如右圖需要分析圖像和文本語義，才能理解圖中“柵欄保護(hù)嬰兒”的含義），才能獲得最終理想的分割結(jié)果。

盡管當(dāng)前多模態(tài)大模型（例如Flamingo[1], BLIP-2[2], LLaVA[3], miniGPT-4[4], Otter[5]）使得AI能夠根據(jù)圖像內(nèi)容推理用戶的復(fù)雜問題，并給出相應(yīng)的文本分析和回答，但仍無法像視覺感知系統(tǒng)那樣在圖像上精確定位指令對應(yīng)的目標(biāo)區(qū)域。

因此，LISA通過引入一個<SEG>標(biāo)記來擴(kuò)展初始大型模型的詞匯表，并采用Embedding-as-Mask的方式賦予現(xiàn)有多模態(tài)大型模型分割功能，最終展現(xiàn)出強(qiáng)大的零樣本泛化能力。

同時，這項(xiàng)工作還創(chuàng)建了ReasonSeg數(shù)據(jù)集，其中包含上千張高質(zhì)量圖像及相應(yīng)的推理指令和分割標(biāo)注。

那么LISA這種精準(zhǔn)理解人話的分割能力，具體是如何實(shí)現(xiàn)的呢？

首先將圖像ximg和文本xtxt送到多模態(tài)-大語言模型F（在實(shí)驗(yàn)中即LLaVA），得到輸出的文本結(jié)果，如果此時文本結(jié)果包含<SEG>標(biāo)記，則表示需要通過輸出分割預(yù)測來解決當(dāng)前問題。反之，若不包含<SEG>標(biāo)記，則無分割結(jié)果輸出。

如果存在標(biāo)記，則將<SEG>標(biāo)記在多模態(tài)大模型F最后一層對應(yīng)的embedding經(jīng)過一個MLP層得到hseg，并將其與分割視覺特征f一起傳遞給解碼器Fdec（其中分割視覺特征f由輸入編碼器Fenc對圖像ximg進(jìn)行編碼得到）。

最終，F(xiàn)dec根據(jù)生成最終的分割結(jié)果M。

LISA在訓(xùn)練過程中使用了自回歸交叉熵?fù)p失函數(shù)，以及對分割結(jié)果監(jiān)督的BCE和DICE損失函數(shù)。

實(shí)驗(yàn)證明，在訓(xùn)練過程中僅使用不包含復(fù)雜推理的分割數(shù)據(jù)（通過將現(xiàn)有的語義分割數(shù)據(jù)如ADE20K[6]，COCO-Stuff[7]以及現(xiàn)有指代分割數(shù)據(jù)refCOCO系列[8]中的每條數(shù)據(jù)轉(zhuǎn)換成“圖像-指令-分割Mask”三元組） ，LISA能在推理分割任務(wù)上展現(xiàn)出優(yōu)異的零樣本泛化能力。

此外，進(jìn)一步使用239個推理分割數(shù)據(jù)進(jìn)行微調(diào)訓(xùn)練還能顯著提升LISA在推理分割任務(wù)上的性能。而且LISA還表現(xiàn)出高效的訓(xùn)練特性，只需在8張具有24GB顯存的3090顯卡上進(jìn)行10,000次訓(xùn)練迭代，即可完成7B模型的訓(xùn)練。

最終，LISA不僅在傳統(tǒng)的語言-圖像分割指標(biāo)（refCOCO、refCOCO+和refCOCOg）上展現(xiàn)出優(yōu)異性能，還能處理以下分割任務(wù)情景：⑴復(fù)雜推理；⑵聯(lián)系世界知識；⑶解釋分割結(jié)果以及⑷多輪對話。

在有復(fù)雜情景的ReasonSeg數(shù)據(jù)集上，LISA顯著領(lǐng)先于其他相關(guān)工作，進(jìn)一步證明其出色的推理分割能力。

在線可玩

值得一提的是，LISA的推理分割能力已經(jīng)出了demo，可以在線體驗(yàn)的那種。

操作也極其簡單，只需填寫“指令”，然后上傳要處理的圖像即可。

若是不會描述指令，Demo下方也給出了一些示例，小伙伴們也可以參照一下。

GitHub地址：
https://github.com/dvlab-research/LISA

論文地址：
https://arxiv.org/pdf/2308.00692.pdf

Demo地址：
http://103.170.5.190:7860/

參考鏈接：
[1] Alayrac, Jean-Baptiste, et al. “Flamingo: a visual language model for few-shot learning.” In NeurIPS, 2022.
[2] Li, Junnan, et al. “Blip-2: Bootstrapping language-image pre-training with frozen image encoders and large language models.” In arXiv preprint, 2023.
[3] Liu, Haotian, et al. “Visual instruction tuning.” In arXiv preprint, 2023.
[4] Zhu, Deyao, et al. “Minigpt-4: Enhancing vision-language understanding with advanced large language models.” In arXiv preprint, 2023.
[5] Li, Bo, et al. “Otter: A multi-modal model with in-context instruction tuning.” In arXiv preprint, 2023.
[6] Zhou, Bolei, et al. “Scene parsing through ade20k dataset.” In CVPR, 2017.
[7] Caesar, Holger, Jasper Uijlings, and Vittorio Ferrari. “Coco-stuff: Thing and stuff classes in context.” In CVPR, 2018.
[8] Kazemzadeh, Sahar, et al. “Referitgame: Referring to objects in photographs of natural scenes.” In EMNLP, 2014.