语言模型“不务正业”做起目标检测,性能还比DETR、Faster R-CNN更好 | Hinton团队研究

还不用CNN

博雯 发自 凹非寺

量子位 报道 | 公众号 QbitAI

长期以来,CNN都是解决目标检测任务的经典方法。

就算是引入了Transformer的DETR,也是结合CNN来预测最终的检测结果的。

但现在,Geoffrey Hinton带领谷歌大脑团队提出的新框架Pix2Seq,可以完全用语言建模的方法来完成目标检测。

语言模型不务正业做起目标检测,性能比DETR更好 | Hinton团队研究

团队由图像像素得到一种对目标对象的“描述”,并将其作为语言建模任务的输入。然后让模型去学习并掌握这种“语言”,从而得到有用的目标表示。

语言模型不务正业做起目标检测,性能比DETR更好 | Hinton团队研究

最后取得的结果基本与Faster R-CNNDETR相当,对于小型物体的检测优于DETR,在大型物体检测上的表现也比Faster R-CNN更好,。

接下来就来具体看看这一模型的架构。

从物体描述中构建序列

Pix2Seq的处理流程主要分为四个部分:

  • 图像增强
  • 序列的构建和增强
  • 编码器-解码器架构
  • 目标/损失函数
语言模型不务正业做起目标检测,性能比DETR更好 | Hinton团队研究

首先,Pix2Seq使用图像增强来丰富一组固定的训练实例。

然后是从物体描述中构建序列

一张图像中常常包含多个对象目标,每个目标可以视作边界框和类别标签的集合。

将这些对象目标的边界框和类别标签表达为离散序列,并采用随机排序策略将多个物体排序,最后就能形成一张特定图像的单一序列

也就是开头所提到的对“描述”目标对象的特殊语言。

其中,类标签可以自然表达为离散标记。

边界框则是将左上角和右下角的两个角点的X,Y坐标,以及类别索引c进行连续数字离散化,最终得到五个离散Token序列:

语言模型不务正业做起目标检测,性能比DETR更好 | Hinton团队研究

研究团队对所有目标采用共享词表,这时表大小=bins数+类别数。

这种量化机制使得一个600×600的图像仅需600bins即可达到零量化误差,远小于32K词表的语言模型。

语言模型不务正业做起目标检测,性能比DETR更好 | Hinton团队研究

接下来,将生成的序列视为一种语言,然后引入语言建模中的通用框架和目标函数。

这里使用编码器-解码器架构,其中编码器用于感知像素并将其编码为隐藏表征的一般图像,生成则使用Transformer解码器。

和语言建模类似,Pix2Seq将用于预测并给定图像与之前的Token,以及最大化似然损失。

在推理阶段,再从模型中进行Token采样。

为了防止模型在没有预测到所有物体时就已经结束,同时平衡精确性(AP)与召回率(AR),团队引入了一种序列增强技术

语言模型不务正业做起目标检测,性能比DETR更好 | Hinton团队研究

这种方法能够对输入序列进行增广,同时还对目标序列进行修改使其能辨别噪声Token,有效提升了模型的鲁棒性。

在小目标检测上优于DETR

团队选用MS-COCO 2017检测数据集进行评估,这一数据集中含有包含11.8万训练图像和5千验证图像。

与DETR、Faster R-CNN等知名目标检测框架对比可以看到:

Pix2Seq在小/中目标检测方面与Faster R-CNN性能相当,但在大目标检测方面更优。

而对比DETR,Pix2Seq在大/中目标检测方面相当或稍差,但在小目标检测方面更优。

语言模型不务正业做起目标检测,性能比DETR更好 | Hinton团队研究

一作华人

这篇论文来自图灵奖得主Geoffrey Hinton带领的谷歌大脑团队。

一作Ting Chen为华人,本科毕业于北京邮电大学,2019年获加州大学洛杉矶分校(UCLA)的计算机科学博士学位。

他已在谷歌大脑团队工作两年,目前的主要研究方向是自监督表征学习、有效的离散结构深层神经网络和生成建模。

语言模型不务正业做起目标检测,性能比DETR更好 | Hinton团队研究

论文:
https://arxiv.org/abs/2109.10852

版权所有,未经授权不得以任何形式转载及使用,违者必究。