語言模型“不務(wù)正業(yè)”做起目標(biāo)檢測，性能還比DETR、Faster R-CNN更好 | Hinton團(tuán)隊研究
還不用CNN
博雯 發(fā)自 凹非寺
量子位 報道 | 公眾號 QbitAI
長期以來，CNN都是解決目標(biāo)檢測任務(wù)的經(jīng)典方法。
就算是引入了Transformer的DETR，也是結(jié)合CNN來預(yù)測最終的檢測結(jié)果的。
但現(xiàn)在，Geoffrey Hinton帶領(lǐng)谷歌大腦團(tuán)隊提出的新框架Pix2Seq，可以完全用語言建模的方法來完成目標(biāo)檢測。
團(tuán)隊由圖像像素得到一種對目標(biāo)對象的“描述”，并將其作為語言建模任務(wù)的輸入。然后讓模型去學(xué)習(xí)并掌握這種“語言”，從而得到有用的目標(biāo)表示。
最后取得的結(jié)果基本與Faster R-CNN、DETR相當(dāng)，對于小型物體的檢測優(yōu)于DETR，在大型物體檢測上的表現(xiàn)也比Faster R-CNN更好，。
接下來就來具體看看這一模型的架構(gòu)。
從物體描述中構(gòu)建序列
Pix2Seq的處理流程主要分為四個部分：
- 圖像增強(qiáng)
- 序列的構(gòu)建和增強(qiáng)
- 編碼器-解碼器架構(gòu)
- 目標(biāo)/損失函數(shù)
首先，Pix2Seq使用圖像增強(qiáng)來豐富一組固定的訓(xùn)練實(shí)例。
然后是從物體描述中構(gòu)建序列。
一張圖像中常常包含多個對象目標(biāo)，每個目標(biāo)可以視作邊界框和類別標(biāo)簽的集合。
將這些對象目標(biāo)的邊界框和類別標(biāo)簽表達(dá)為離散序列，并采用隨機(jī)排序策略將多個物體排序，最后就能形成一張?zhí)囟▓D像的單一序列。
也就是開頭所提到的對“描述”目標(biāo)對象的特殊語言。
其中，類標(biāo)簽可以自然表達(dá)為離散標(biāo)記。
邊界框則是將左上角和右下角的兩個角點(diǎn)的X，Y坐標(biāo)，以及類別索引c進(jìn)行連續(xù)數(shù)字離散化，最終得到五個離散Token序列：
研究團(tuán)隊對所有目標(biāo)采用共享詞表，這時表大?。絙ins數(shù)+類別數(shù)。
這種量化機(jī)制使得一個600×600的圖像僅需600bins即可達(dá)到零量化誤差，遠(yuǎn)小于32K詞表的語言模型。
接下來，將生成的序列視為一種語言，然后引入語言建模中的通用框架和目標(biāo)函數(shù)。
這里使用編碼器-解碼器架構(gòu)，其中編碼器用于感知像素并將其編碼為隱藏表征的一般圖像，生成則使用Transformer解碼器。
和語言建模類似，Pix2Seq將用于預(yù)測并給定圖像與之前的Token，以及最大化似然損失。
在推理階段，再從模型中進(jìn)行Token采樣。
為了防止模型在沒有預(yù)測到所有物體時就已經(jīng)結(jié)束，同時平衡精確性（AP）與召回率（AR），團(tuán)隊引入了一種序列增強(qiáng)技術(shù)：
這種方法能夠?qū)斎胄蛄羞M(jìn)行增廣，同時還對目標(biāo)序列進(jìn)行修改使其能辨別噪聲Token，有效提升了模型的魯棒性。
在小目標(biāo)檢測上優(yōu)于DETR
團(tuán)隊選用MS-COCO 2017檢測數(shù)據(jù)集進(jìn)行評估，這一數(shù)據(jù)集中含有包含11.8萬訓(xùn)練圖像和5千驗(yàn)證圖像。
與DETR、Faster R-CNN等知名目標(biāo)檢測框架對比可以看到：
Pix2Seq在小/中目標(biāo)檢測方面與Faster R-CNN性能相當(dāng)，但在大目標(biāo)檢測方面更優(yōu)。
而對比DETR，Pix2Seq在大/中目標(biāo)檢測方面相當(dāng)或稍差，但在小目標(biāo)檢測方面更優(yōu)。
一作華人
這篇論文來自圖靈獎得主Geoffrey Hinton帶領(lǐng)的谷歌大腦團(tuán)隊。
一作Ting Chen為華人，本科畢業(yè)于北京郵電大學(xué)，2019年獲加州大學(xué)洛杉磯分校（UCLA）的計算機(jī)科學(xué)博士學(xué)位。
他已在谷歌大腦團(tuán)隊工作兩年，目前的主要研究方向是自監(jiān)督表征學(xué)習(xí)、有效的離散結(jié)構(gòu)深層神經(jīng)網(wǎng)絡(luò)和生成建模。
論文：
https://arxiv.org/abs/2109.10852
- 有道智能學(xué)習(xí)燈發(fā)布，通過“桌面學(xué)習(xí)分析引擎”實(shí)現(xiàn)全球最快指尖查詞2022-04-08
- 科學(xué)證明：狗勾真的懂你有多累，聽到聲音0.25秒后就知道你是誰，對人比對狗更親近2022-04-14
- 在M1芯片上跑原生Linux：編譯速度比macOS還快40%2022-04-05
- 小學(xué)生們在B站講算法，網(wǎng)友：我只會阿巴阿巴2022-03-28
