Paper | Region-Aware Pretraining for Open-Vocabulary Object Detection with Vision Transformers

1 introduction

1.1 main story

OVD: training text category as text embedding rather than discrete IDs.

base set:C_{B},novel set C_{N};
OVD: training on C_{B}, and test on the union of C_{B} and C_{N};

previous OD: number of objects are the same between the train and test;
OVD: to deal with additional categories at test time, the common practice is to replace the conventional fixed-size classifier fully-connected layer with the text embeddings of base categories.

OVD任务具体可以参照第一篇论文:https://www.jianshu.com/p/b23de6b4476b

Previous existing method: leverage image-text pretraining, via knowledge distillation, weak supervision, self-training, and frozen model but on CNNs;

assume pretrained VLM are given, and develop adaptation or finetuning recipes to bridge the gap between image-level pretraining and object-level finetuning (pretrain是image level的,但是下游任务是object level的)

This paper:

  1. exploring OVD with ViT
  2. propose RO-ViT: pretrain ViT in a region-aware manner for OVD

1.2 related works on OVD:

1) learning alignment between region visual representation and category word embed;
2) hallucinating visual features with a generative model
3) image-text pretraining 【this paper falls into】

existing paper based on CNN and assume image-text pretrained models are given and focus on finetuning or adaptation.

this paper: focuses on improving the upstream image-text pretraining with ViT.

2 method

2.1 common pipeline

  1. proposals not matched to any annotations in C_{B} are labeled as "background".
  2. training: for each region i, calculate the detection score p_{i} as the cosine_similary{region visual embedding, text embedding}, followed by a softmax;
  3. testing: expand the text embedding from C_{B} to C_{B} \cup C_{N} \cup ``background".

2.2 Region-Aware Image-Text Pretraining

existing method: align between whole image and text;
this paper: a novel cropped positional embeddings (CPE) to make aware of the region.

cropped positional embeddings (CPE):
position embedding is key to transformers, providing information on which element comes.

整个框架分为三个部分;

  1. 左边:出去了CPE部分就是大家熟悉的用{img, caption} 作为pairs进行contrastive learning学习; 但是loss从原本的softmax改成了focal loss;
  2. 中间:CPE部分,也就是这篇论文如何在pretrain阶段实现region-awareness,也就是对原本的fully image position embedding改成1)先upsample成OD的常见尺寸,比如原来的embedding是224x224xD, 西先upsample成OD里常见的图像尺寸1024x1024xD;2)然后再从1024x1024xD中random crop and resize得到新的原先img size的positinal embedding。 这样会让模型认为当前图像是某张大图里的其中一个区域部分。
  3. 右边:应用到下游的时候把pretrain时候的GAP改成detector head;

:(个人认为是论文中最为核心的部分就是在pretrain的阶段建立起region跟text之间的关系,具体的实现是通过CPE模块对positional embedding进行random 变换得到的,论文中其他的部分例如loss修改等细节就不再介绍了,大家感兴趣的可以再follow原文。

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 206,013评论 6 481
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 88,205评论 2 382
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 152,370评论 0 342
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 55,168评论 1 278
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 64,153评论 5 371
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,954评论 1 283
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,271评论 3 399
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,916评论 0 259
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 43,382评论 1 300
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,877评论 2 323
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,989评论 1 333
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,624评论 4 322
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,209评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,199评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,418评论 1 260
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 45,401评论 2 352
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,700评论 2 345

推荐阅读更多精彩内容