Paper | Open Vocabulary Object Detection with Pseudo Bounding-Box Labels (ECCV 2022)

1. 寫(xiě)在前面

https://arxiv.org/abs/2111.09452

從經(jīng)典的OD到OVD的最主要挑戰(zhàn)在于現(xiàn)有的OD數(shù)據(jù)集類(lèi)別都是有限的,例如最常用的COCO只有80個(gè)類(lèi),所以對(duì)于novel類(lèi)別的識(shí)別會(huì)比較困難。

基于這一點(diǎn),這篇文章的思路就是想從大規(guī)模的image-caption pairs中自動(dòng)生成一些偽物體檢測(cè)標(biāo)注,用來(lái)訓(xùn)練模型。

1. Introduction

  1. OD is limited to a fixed set of objects (e.g., 80 objects for COCO)

  2. to reduce the need for human labor for annotating: Zero-shot OD & OVD

  3. ZSOD: transfer from base to novel by exploring the corelations between base and novel categories;

  4. OVD: transfer from base to novel with the help of image captions (個(gè)人不是那么準(zhǔn)確,也不是一定要用caption來(lái)做OVD)

  5. both ZS-OD and OVD are limited by the small size of base category set

  6. This paper: automatically generates bounding-box annotations for objects at scale using existing resources.

  7. Existing vision-language models imply strong localization ability.

  8. this paper: improve OVD using pseudo-bounding box annotations generated from large-scale image caption pairs.

left:human labor

right:image-caption + VL model --> pseudo annotation

2. Method

two components:

  1. a pseudo bounding-box label generator;

  2. an open vocabulary object detector.

2.1 pseudo bounding-box label generator

image.png
  1. predefine objects of interest

  2. input: {image, caption} pairs

  3. image --> image encoder --> visual embedding per region

  4. caption --> text encoder --> text embedding per token

input {visual embeddings, text embeddings} --> multi-modal encoder --> multi modal features by image-text interaction via cross-attention.

  1. for each object in the predefined objects, e.g., racket, use the grad-cam to visulize its activation map.

  2. apply proposal generator to get multiple boxes

  3. the box with the largest overlap with the activation map is regarded as the pseudo box.

2.2 open vocabulary object detector with pseudo-bounding box:

  • because of the two-step pipeline, any OVD model is acceptable.

  • in this paper, a typical framework for OVD is thus selected.

image.png
  1. input: image,large-scale object vocabulary set
  2. image --> feature extractor --> object proposals --> RoI --> region-based visual embedding
  3. category texts in large-scale object vocabulary set + "background" --> text encoder --> text embeddings
  4. training: encourgae the paired {region-based visual embedding, text embedding}
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個(gè)濱河市,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌,老刑警劉巖,帶你破解...
    沈念sama閱讀 227,428評(píng)論 6 531
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場(chǎng)離奇詭異,居然都是意外死亡,警方通過(guò)查閱死者的電腦和手機(jī),發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 98,024評(píng)論 3 413
  • 文/潘曉璐 我一進(jìn)店門(mén),熙熙樓的掌柜王于貴愁眉苦臉地迎上來(lái),“玉大人,你說(shuō)我怎么就攤上這事。” “怎么了?”我有些...
    開(kāi)封第一講書(shū)人閱讀 175,285評(píng)論 0 373
  • 文/不壞的土叔 我叫張陵,是天一觀的道長(zhǎng)。 經(jīng)常有香客問(wèn)我,道長(zhǎng),這世上最難降的妖魔是什么? 我笑而不...
    開(kāi)封第一講書(shū)人閱讀 62,548評(píng)論 1 307
  • 正文 為了忘掉前任,我火速辦了婚禮,結(jié)果婚禮上,老公的妹妹穿的比我還像新娘。我一直安慰自己,他們只是感情好,可當(dāng)我...
    茶點(diǎn)故事閱讀 71,328評(píng)論 6 404
  • 文/花漫 我一把揭開(kāi)白布。 她就那樣靜靜地躺著,像睡著了一般。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上,一...
    開(kāi)封第一講書(shū)人閱讀 54,878評(píng)論 1 321
  • 那天,我揣著相機(jī)與錄音,去河邊找鬼。 笑死,一個(gè)胖子當(dāng)著我的面吹牛,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播,決...
    沈念sama閱讀 42,971評(píng)論 3 439
  • 文/蒼蘭香墨 我猛地睜開(kāi)眼,長(zhǎng)吁一口氣:“原來(lái)是場(chǎng)噩夢(mèng)啊……” “哼!你這毒婦竟也來(lái)了?” 一聲冷哼從身側(cè)響起,我...
    開(kāi)封第一講書(shū)人閱讀 42,098評(píng)論 0 286
  • 序言:老撾萬(wàn)榮一對(duì)情侶失蹤,失蹤者是張志新(化名)和其女友劉穎,沒(méi)想到半個(gè)月后,有當(dāng)?shù)厝嗽跇?shù)林里發(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 48,616評(píng)論 1 331
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡,尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 40,554評(píng)論 3 354
  • 正文 我和宋清朗相戀三年,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
    茶點(diǎn)故事閱讀 42,725評(píng)論 1 369
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出,到底是詐尸還是另有隱情,我是刑警寧澤,帶...
    沈念sama閱讀 38,243評(píng)論 5 355
  • 正文 年R本政府宣布,位于F島的核電站,受9級(jí)特大地震影響,放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 43,971評(píng)論 3 345
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧,春花似錦、人聲如沸。這莊子的主人今日做“春日...
    開(kāi)封第一講書(shū)人閱讀 34,361評(píng)論 0 25
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽(yáng)。三九已至,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背。 一陣腳步聲響...
    開(kāi)封第一講書(shū)人閱讀 35,613評(píng)論 1 280
  • 我被黑心中介騙來(lái)泰國(guó)打工, 沒(méi)想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留,地道東北人。 一個(gè)月前我還...
    沈念sama閱讀 51,339評(píng)論 3 390
  • 正文 我出身青樓,卻偏偏與公主長(zhǎng)得像,于是被迫代替她去往敵國(guó)和親。 傳聞我的和親對(duì)象是個(gè)殘疾皇子,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 47,695評(píng)論 2 370

推薦閱讀更多精彩內(nèi)容