大模型都會標(biāo)注圖像了，簡單對話即可!來自清華&NUS

　　張傲 投稿

　　量子位 | 公眾號 QbitAI

　　多模態(tài)大模型集成了檢測分割模塊后，摳圖變得更簡單了!

　　只需用自然語言描述需求，模型就能分分鐘標(biāo)注出要尋找的物體，并做出文字解釋。

　　在其背后提供支持的，是新加坡國立大學(xué)NExT++實(shí)驗(yàn)室與清華劉知遠(yuǎn)團(tuán)隊(duì)一同打造的全新多模態(tài)大模型。

　　隨著GPT-4v的登場，多模態(tài)領(lǐng)域涌現(xiàn)出一大批新模型，如LLaVA、BLIP-2等等。

　　為了進(jìn)一步擴(kuò)展多模態(tài)大模型的區(qū)域理解能力，研究團(tuán)隊(duì)打造了一個可以同時進(jìn)行對話和檢測、分割的多模態(tài)模型NExT-Chat。

　　NExT-Chat的最大亮點(diǎn)，是在多模態(tài)模型中引入位置輸入和輸出的能力。

　　其中位置輸入能力指的是根據(jù)指定的區(qū)域回答問題(下方左圖);位置輸出能力指的則是定位對話中提及的物體(下方右圖)：

　　即使是復(fù)雜的定位問題，也能迎刃而解：

　　除了物體定位，NExT-Chat還可以對圖片或其中的某個部分進(jìn)行描述：

　　分析完圖像的內(nèi)容之后，NExT-Chat可以利用得到的信息進(jìn)行推理：

　　為了準(zhǔn)確評估NExT-Chat的表現(xiàn)，研究團(tuán)隊(duì)在多個任務(wù)數(shù)據(jù)集上進(jìn)行了測試。

　　在多個數(shù)據(jù)集上取得SOTA

　　作者首先展示了NExT-Chat在指代表達(dá)式分割(RES)任務(wù)上的實(shí)驗(yàn)結(jié)果。

　　雖然僅僅用了極少量的分割數(shù)據(jù)，NExT-Chat卻展現(xiàn)出了良好的指代分割能力，甚至打敗了一系列有監(jiān)督模型(如MCN，VLT等)和用了5倍以上分割掩模標(biāo)注的LISA方法。

　　△RES任務(wù)上NExT-Chat結(jié)果

　　接著，研究團(tuán)隊(duì)展示了NExT-Chat在REC任務(wù)上的實(shí)驗(yàn)結(jié)果。

　　如下表所示，相比于相當(dāng)一系列的有監(jiān)督方法(如UNITER)，NExT-Chat都可以取得更優(yōu)的效果。

　　一個有意思的發(fā)現(xiàn)是NExT-Chat比使用了類似框訓(xùn)練數(shù)據(jù)的Shikra效果要稍差一些。

　　作者猜測，這是由于pix2emb方法中LM loss和detection loss更難以平衡，以及Shikra更貼近現(xiàn)有的純文本大模型的預(yù)訓(xùn)練形式導(dǎo)致的。

　　△REC任務(wù)上NExT-Chat結(jié)果

　　在圖像幻覺任務(wù)上，如表3所示，NExT-Chat可以在Random和Popular數(shù)據(jù)集上取得最優(yōu)的準(zhǔn)確率。

　　△POPE數(shù)據(jù)集上NExT-Chat結(jié)果

　　在區(qū)域描述任務(wù)上，NExT-Chat也能取得最優(yōu)的CIDEr表現(xiàn)，且在該指標(biāo)打敗了4-shot情況下的Kosmos-2。

　　△RefCOCOg數(shù)據(jù)集上NExT-Chat結(jié)果

　　那么，NExT-Chat背后都采用了哪些方法呢?

　　提出圖像編碼新方式

　　傳統(tǒng)方法的缺陷

　　傳統(tǒng)的模型主要通過pix2seq的方式進(jìn)行LLM相關(guān)的位置建模。

　　比如Kosmos-2將圖像劃分成32x32的區(qū)塊，用每個區(qū)塊的id來代表點(diǎn)的坐標(biāo);Shikra將物體框的坐標(biāo)轉(zhuǎn)化為純文本的形式從而使得LLM可以理解坐標(biāo)。

　　但使用pix2seq方法的模型輸出主要局限在框和點(diǎn)這樣的簡單格式，而很難泛化到其他更密集的位置表示格式，比如segmentation mask。

　　為了解決這個問題，本文提出了一種全新的基于embedding的位置建模方式pix2emb。

　　pix2emb方法

　　不同于pix2seq，pix2emb所有的位置信息都通過對應(yīng)的encoder和decoder進(jìn)行編碼和解碼，而不是借助LLM本身的文字預(yù)測頭。

　　△pix2emb方法簡單示例

　　如上圖所示，位置輸入被對應(yīng)的encoder編碼為位置embedding，而輸出的位置embedding則通過Box Decoder和Mask Decoder轉(zhuǎn)化為框和掩模。

　　這樣做帶來了兩個好處：模型的輸出格式可以非常方便的擴(kuò)展到更多復(fù)雜形式，比如segmentation mask。 模型可以非常容易的定位任務(wù)中已有的實(shí)踐方式，比如本文的detection loss采用L1 Loss和GIoU Loss (pix2seq則只能使用文本生成loss)，本文的mask decoder借助了已有的SAM來做初始化。

　　通過將pix2seq與pix2emb結(jié)合，作者訓(xùn)練了全新的NExT-Chat模型。

　　NExT-Chat模型

　　△NExT-Chat模型架構(gòu)

　　NExT-Chat整體采用了LLaVA架構(gòu)，即通過Image Encoder來編碼圖像信息并輸入LLM進(jìn)行理解，并在此基礎(chǔ)上添加了對應(yīng)的Box Encoder和兩種位置輸出的Decoder。

　　為了解決LLM不知道何時該使用語言的LM head還是位置解碼器的問題，NExT-Chat額外引入一個全新的token類型來標(biāo)識位置信息。

　　如果模型輸出了，則該token的embedding會被送入對應(yīng)的位置解碼器進(jìn)行解碼而不是語言解碼器。

　　此外，為了維持輸入階段和輸出階段位置信息的一致性，NExT-Chat額外引入了一個對齊約束：

　　△位置輸入、輸出約束

　　如上圖所示，box和位置embedding會被分別通過解碼器、編碼器或解碼器編碼器組合，并要求前后不發(fā)生變化。

　　作者發(fā)現(xiàn)該方法可以極大程度促進(jìn)位置輸入能力的收斂。

　　而NExT-Chat的模型訓(xùn)練主要包括3個階段： 第一階段：訓(xùn)練模型基本的框輸入輸出基本能力。NExT-Chat采用Flickr-30K，RefCOCO，VisualGenome等包含框輸入輸出的數(shù)據(jù)集進(jìn)行預(yù)訓(xùn)練。訓(xùn)練過程中，LLM參數(shù)會被全部訓(xùn)練。 第二階段：調(diào)整LLM的指令遵循能力。通過一些Shikra-RD，LLaVA-instruct之類的指令微調(diào)數(shù)據(jù)使得模型可以更好的響應(yīng)人類的要求，輸出更人性化的結(jié)果。 第三階段：賦予NExT-Chat模型分割能力。通過以上兩階段訓(xùn)練，模型已經(jīng)有了很好的位置建模能力。作者進(jìn)一步將這種能力擴(kuò)展到mask輸出上。實(shí)驗(yàn)發(fā)現(xiàn)，通過使用極少量的mask標(biāo)注數(shù)據(jù)和訓(xùn)練時間(大約3小時)，NExT-Chat可以快速的擁有良好的分割能力。

　　這樣的訓(xùn)練流程的好處在于：檢測框數(shù)據(jù)豐富且訓(xùn)練開銷更小。

　　NExT-Chat通過在充沛的檢測框數(shù)據(jù)訓(xùn)練基本的位置建模能力，之后可以快速的擴(kuò)展到難度更大且標(biāo)注更稀缺的分割任務(wù)上。