(ECCV,2022)Mask-CLIP:从CLIP中提取自由密集标签

文章目录

  • Extract Free Dense Labels from CLIP
    • 相关资料
    • 摘要
    • 引言
    • 方法
      • Mask-CLIP
      • Mask-CLIP+
    • 实验

Extract Free Dense Labels from CLIP

相关资料

代码:https://github.com/chongzhou96/MaskCLIP
论文:https://arxiv.org/abs/2112.01071

摘要

对比语言-图像预训练(CLIP)在开放词汇的零样本图像识别方面取得了显著突破。许多最近的研究利用预训练的CLIP模型进行图像级别分类和操作。在本文中,我们希望检查CLIP在像素级密集预测方面的内在潜力,特别是在语义分割方面。为此,我们展示了通过最小修改,MaskCLIP在没有注释和微调的情况下,在各种数据集上的开放概念中产生了引人注目的分割结果。通过添加伪标记和自训练,MaskCLIP+在很大程度上超越了最先进的感应零样本语义分割方法,例如,在PASCAL VOC/PASCAL Context/COCO Stuff上未见类别的mIoUs从35.6/20.7/30.3提高到86.1/66.7/54.7。我们还测试了MaskCLIP在输入损坏下的鲁棒性,并评估了其区分细粒度对象和新概念的能力。我们的发现表明,MaskCLIP可以作为密集预测任务的新可靠监督源,实现无需注释的分割。源代码在此处可用。

引言

在这里插入图片描述

我们的模型名为MaskCLIP,我们展示了一个可以直接从CLIP的图像编码器中提取密集的补丁级特征,即最后一个注意力层的值特征,而不会破坏视觉-语言关联。用于密集预测的分类权重,本质上是1×1卷积,可以直接从CLIP文本编码器的文本嵌入中获得,而不需要任何刻意的映射。在我们的实证研究中,MaskCLIP在通过mIoU指标测量的定量性能和定性结果方面都产生了合理的预测。此外,MaskCLIP可以基于所有变体的CLIP,包括ResNets和ViTs。我们提供了两种流行的骨干网络之间的并排比较。我们还为MaskCLIP提出了两种掩码细化技术,以进一步提高其性能,即关键平滑提示去噪,两者都不需要训练。具体来说,关键平滑计算不同补丁的关键特征(最后一个注意力层)之间的相似性,这些特征用于平滑预测。提示去噪通过删除图像中不太可能存在的类别的提示,从而减少干扰因素,使预测更加准确。

方法

在这里插入图片描述

Mask-CLIP

如图2(b)所示,与传统的全局平均池化不同,CLIP的图像编码器采用了Transformer风格的多头注意力层,其中全局平均池化的特征作为查询,每个空间位置的特征生成一个键-值对。因此,这一层的输出是对传入特征图的空间加权和,然后是线性层 F ( ⋅ ) F(·) F()
在这里插入图片描述
其中 C C C是一个常数缩放因子, E m b ( ⋅ ) Emb(·) Emb()表示线性嵌入层。 x i x_i xi表示空间位置i的输入特征, x ˉ \bar{x} xˉ是所有 x i x_i xi的平均值。Transformer层的输出作为整个图像的全面表示。我们相信这是可能的,因为在每个空间位置计算的#F(v_i)#已经捕获了与CLIP文本嵌入中的标记很好地对应的局部语义的丰富响应。
基于这样的假设,如图2(b)所示,我们在我们的新尝试中直接修改了CLIP的图像编码器:

  1. 移除查询和键嵌入层;
  2. 将值嵌入层和最后的线性层重新制定为两个各自的1×1卷积层。
  3. 我们保持文本编码器不变,它以带有目标类别的提示作为输入。每个类别的得到的文本嵌入被用作分类器。

我们将得到的模型命名为MaskCLIP,因为它产生像素级掩码预测而不是全局图像级预测。然后,我们在各种标准分割基准测试以及网络爬取的图像上评估MaskCLIP。如图1所示,MaskCLIP可以在没有任何微调或注释的情况下输出合理的结果。有人可能会争论,由于全局注意力池化是一个自注意力层,即使没有修改,它也可以生成密集的特征。然而,由于查询 q ˉ \bar{q} qˉ是在CLIP预训练期间训练的唯一查询,这种朴素的解决方案失败了。我们将这个解决方案视为基线,并在实验中将其结果与我们的进行比较。此外,ViT中的Transformer层与全局注意力池化非常相似。实际上,唯一的两个区别是:

  1. 全局查询是通过一个特殊的[CLS]标记而不是所有空间位置的平均值来生成的;
  2. Transformer层有一个残差连接。因此,通过用q[cls]替换 q ˉ \bar{q} qˉ并在输出中添加输入x,MaskCLIP可以与ViT骨干一起工作。

尽管MaskCLIP与现有的分割方法相比简单,但提出的方法享有从CLIP继承的多个独特优点:

  1. MaskCLIP可以用作免费的分割注释器,为使用有限标签的分割方法提供丰富和新颖的监督信号。
  2. 其次,由于CLIP在MaskCLIP中保留了视觉-语言关联,它自然具备分割开放词汇表类别的能力,以及由自由形式短语描述的细粒度类别,如白色汽车和红色公交车。
  3. 由于CLIP是在原始网络策划的图像上训练的,CLIP展示了对自然分布变化[45]和输入损坏[47]的巨大鲁棒性。

我们验证了MaskCLIP在一定程度上保留了这种鲁棒性。关键平滑和提示去噪。为了进一步提高MaskCLIP的性能,我们提出了两种细化策略,即关键平滑和提示去噪。回想一下,在方程3中,除了 q ˉ \bar{q} qˉ,关键特征 k i k_i ki也在CLIP预训练期间得到了训练。然而,在原始的MaskCLIP中, k i k_i ki被简单地丢弃了。因此,在这里我们寻求利用这些信息来细化最终输出。关键特征可以被视为相应补丁的描述符,因此具有相似关键特征的补丁应该产生相似的预测。基于这个假设,我们提出用以下方式平滑预测:
在这里插入图片描述

其中 k i k_i ki p r e d i pred_i predi分别是空间位置 i i i的关键特征和类别置信度预测, ∣ ∣ ⋅ ∣ ∣ 2 ||·||_2 ∣∣2 c o s ( ⋅ ) cos(·) cos()分别表示L2归一化和余弦相似性。我们称这种策略为关键平滑。此外,我们还观察到在处理许多目标类别时,由于在单个图像中只有一小部分类别出现,其余的类别实际上是干扰因素,会削弱性能。因此,我们提出了提示去噪,它通过移除所有空间位置上的类别置信度都小于阈值t=0.5的提示的目标类别。

Mask-CLIP+

虽然MaskCLIP不需要任何训练,但其网络架构受限于CLIP的图像编码器。为了从架构限制中解放MaskCLIP并整合更高级的架构,如PSPNet[55]和DeepLab[5,6],我们注意到可以在训练时而不是推理时部署MaskCLIP,它充当一个通用且鲁棒的注释器,提供高质量的伪标签。结合标准的自训练策略,得到的模型,称为MaskCLIP+,实现了显著的卓越性能。除了无需注释和开放词汇表分割,MaskCLIP+也可以应用于感应零样本语义分割任务,其中MaskCLIP仅为未见类别生成伪标签。

实验

在这里插入图片描述
在这里插入图片描述

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/web/41425.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

SprongBoot及其基础应用全套部署脚本和配置

POM.xml配置 </dependencies> <!--skywalking日志监控依赖--><dependency><groupId>org.apache.skywalking</groupId><artifactId>apm-toolkit-logback-1.x</artifactId><version>8.5.0</version></dependency&g…

修改编译依赖openssl的libcrypto.so

由于centos7默认使用openssl1.0.2k的libcrypto.so.10共享库。即使openssl升级为3.0.11后&#xff0c;编译使用ldd命令查看共享库依旧会引用libcrypto.so.10。 现希望引用libcrypto.so.3&#xff0c;需要在生成动态链接库的CMakeLists.txt中增加如下配置&#xff0c;明确指定ope…

《警世贤文》摘抄:守法篇、惜时篇、修性篇、修身篇、待人篇、防人篇(建议多读书、多看报、少吃零食多睡觉)

若该文为原创文章&#xff0c;转载请注明原文出处 本文章博客地址&#xff1a;https://hpzwl.blog.csdn.net/article/details/140243440 长沙红胖子Qt&#xff08;长沙创微智科&#xff09;博文大全&#xff1a;开发技术集合&#xff08;包含Qt实用技术、树莓派、三维、OpenCV…

mysql 连接出现 Public Key Retrieval is not allowed

在MySQL连接中出现“Public Key Retrieval is not allowed”错误&#xff0c;通常是因为在使用安全套接字层&#xff08;SSL&#xff09;连接时遇到了问题。这是因为MySQL 8.0及以上版本对安全性要求更高&#xff0c;特别是在使用密码插件如caching_sha2_password时&#xff0c…

【周末闲谈】AI“抢饭碗”?绝对不是危言耸听

AI是在帮助开发者还是取代他们? 在软件开发领域,生成式人工智能(AIGC)正在改变开发者的工作方式。无论是代码生成、错误检测还是自动化测试,AI工具正在成为开发者的得力助手。然而,这也引发了对开发者职业前景和技能需求变化的讨论。AI究竟是在帮助开发者还是取代他们?…

2024组装一台能跑AI大模型的电脑

title: 2024组装一台能跑AI大模型的电脑 tags: [组装电脑, AI大模型] categories: [其他, 电脑, windows] 这里不写组装步骤&#xff0c;哪里接线&#xff0c;购买什么品牌网上一大堆。 这里只写如何根据你自己的需求&#xff0c;选择合适的、兼容的配件。 概述 需求&#xff…

本地多卡(3090)部署通义千问Qwen2-72B大模型提速实践:从龟速到够用

最近在做文本风格转化&#xff0c;涉及千万token级别的文本。想用大模型转写&#xff0c;在线的模型一来涉及数据隐私&#xff0c;二来又不想先垫钱再找报销。本地的7-9B小模型又感觉效果有限&#xff0c;正好实验室给俺配了4卡3090的机子&#xff0c;反正也就是做个推理&#…

运维系列.Nginx配置中的高级指令和流程控制

运维专题 Nginx配置中的高级指令和流程控制 - 文章信息 - Author: 李俊才 (jcLee95) Visit me at CSDN: https://jclee95.blog.csdn.netMy WebSite&#xff1a;http://thispage.tech/Email: 291148484163.com. Shenzhen ChinaAddress of this article:https://blog.csdn.net/…

ssrf结合redis未授权getshell

目录 漏洞介绍 SSRF Redis未授权 利用原理 环境搭建 利用过程 rockylinux cron计划任务反弹shell 写公钥免密登录 ubuntu 写公钥免密登录 漏洞介绍 SSRF SSRF&#xff08;server side request forgrey&#xff09;服务端请求伪造&#xff0c;因后端未过滤用户输入&…

桂花网蓝牙网关X1000:引领物联网新时代的智能连接

在物联网技术飞速发展的今天&#xff0c;蓝牙网关作为连接蓝牙设备与互联网的关键设备&#xff0c;其性能与稳定性直接影响到物联网系统的整体运行效果。桂花网蓝牙网关X1000凭借其卓越的性能和广泛的应用场景&#xff0c;成为了物联网领域的佼佼者。 一、产品概述 桂花网蓝牙…

【修仙小伙伴】第1章 天眼计划

自古以来&#xff0c;人类对于地外文明的探索&#xff0c;就不曾停止过。 而在古代文献《拾遗记》之中&#xff0c;就有「秦始皇」和所谓「宛渠之民」的对话记载&#xff1a; 始皇好神仙之事&#xff0c;有宛渠之民&#xff0c;乘螺舟而至。 舟形似螺&#xff0c;沉行海底&a…

服务端事件推送——HTTP协议的事件流(EventStream)

背景 最近由于工作要求需要使用Springboot搭建一个流式响应服务&#xff0c;即客户端发送一次请求&#xff0c;服务端需要多次响应才能返回完整的数据。使用场景就是与chatGPT对话&#xff0c;你问一个问题&#xff0c;页面会逐字将结果打印出来。 下面我在SpringBoot中可以简…

使用Ckman部署ClickHouse集群介绍

使用Ckman部署ClickHouse集群介绍 1. Ckman简介 ClickHouse Manager是一个为ClickHouse数据库量身定制的管理工具&#xff0c;它是由擎创科技数据库团队主导研发的一款用来管理和监控ClickHouse集群的可视化运维工具。目前该工具已在github上开源&#xff0c;开源地址为&…

Leetcode 3213. Construct String with Minimum Cost

Leetcode 3213. Construct String with Minimum Cost 1. 解题思路2. 代码实现 题目链接&#xff1a;3213. Construct String with Minimum Cost 1. 解题思路 这一题的话思路上还是比较直接的&#xff0c;就是一个trie树加一个动态规划&#xff0c;通过trie树来快速寻找每一个…

k8s-第七节-ConfigMap Secret

ConfigMap & Secret ConfigMap 数据库连接地址&#xff0c;这种可能根据部署环境变化的或者其他容器配置选项的包括容器更新或者扩容时可以统一配置 Kubernetes 为我们提供了 ConfigMap&#xff0c;可以方便的配置一些变量。 https://kubernetes.io/zh/docs/concepts/c…

Angluar 实现pdf页面预览以及编辑

之前用过一个pdf预览的lib&#xff0c;并且还支持在线编辑&#xff0c;和直接下载编辑之后的pdf和直接打印&#xff0c;还不错&#xff0c;记录下 PdfShowcase 首先安装依赖 npm install ngx-extended-pdf-viewer 然后引入 import { NgxExtendedPdfViewerModule } from &q…

硅纪元视角 | 中国电信“星辰大模型·软件工厂”,两分钟完成应用开发,效率飞跃!

在数字化浪潮的推动下&#xff0c;人工智能&#xff08;AI&#xff09;正成为塑造未来的关键力量。硅纪元视角栏目紧跟AI科技的最新发展&#xff0c;捕捉行业动态&#xff1b;提供深入的新闻解读&#xff0c;助您洞悉技术背后的逻辑&#xff1b;汇聚行业专家的见解&#xff0c;…

【数据结构】链表带环问题分析及顺序表链表对比分析

【C语言】链表带环问题分析及顺序表链表对比分析 &#x1f525;个人主页&#xff1a;大白的编程日记 &#x1f525;专栏&#xff1a;C语言学习之路 文章目录 【C语言】链表带环问题分析及顺序表链表对比分析前言一.顺序表和链表对比1.1顺序表和链表的区别1.2缓存利用率&#…

Leetcode 3211. Generate Binary Strings Without Adjacent Zeros

Leetcode 3211. Generate Binary Strings Without Adjacent Zeros 1. 解题思路2. 代码实现 题目链接&#xff1a;3211. Generate Binary Strings Without Adjacent Zeros 1. 解题思路 这一题比较简单&#xff0c;用一个递归算法即可实现。 2. 代码实现 给出python代码实现…

Linux基础: 二. Linux的目录和文件

文章目录 二. Linux的目录和文件1.1 目录概要1.2 目录详细说明 二. Linux的目录和文件 1.1 目录概要 command&#xff1a;ls / Linux的文件系统像一棵树一样&#xff0c;树干是根目录&#xff08;/&#xff09;&#xff0c;树枝是子目录&#xff0c;树叶是文件&#xff1b; …