目前的開放世界目標(biāo)檢測模型大多遵循文本查詢的模式，即利用類別文本描述在目標(biāo)圖像中查詢潛在目標(biāo)，但這種方式往往會面臨「廣而不精」的問題。

論文鏈接：https://arxiv.org/abs/2305.18980

代碼地址：https://github.com/YifanXu74/MQ-Det

為此，中科院自動化等機構(gòu)的研究人員提出了基于多模態(tài)查詢的目標(biāo)檢測MQ-Det，以及首個同時支持文本描述和視覺示例查詢的開放世界檢測大模型。

MQ-Det在已有基于文本查詢的檢測大模型基礎(chǔ)上，加入了視覺示例查詢功能。通過引入即插即用的門控感知結(jié)構(gòu)，以及以視覺為條件的掩碼語言預(yù)測訓(xùn)練機制，使得檢測器在保持高泛化性的同時支持細粒度的多模態(tài)查詢，為用戶提供更靈活的選擇來適應(yīng)不同的場景。

其簡單有效的設(shè)計與現(xiàn)有主流的檢測大模型均兼容，適用范圍非常廣泛。

實驗表明，多模態(tài)查詢能夠大幅度推動主流檢測大模型的開放世界目標(biāo)檢測能力，例如在基準(zhǔn)檢測數(shù)據(jù)集LVIS上，無需下游任務(wù)模型微調(diào)，提升主流檢測大模型GLIP精度約7.8%AP，在13個基準(zhǔn)小樣本下游任務(wù)上平均提高了6.3% AP。

從文本查詢到多模態(tài)查詢

一圖勝千言

隨著圖文預(yù)訓(xùn)練的興起，借助文本的開放語義，目標(biāo)檢測逐漸步入了開放世界感知的階段。

為此，許多檢測大模型都遵循了文本查詢的模式，即利用類別文本描述在目標(biāo)圖像中查詢潛在目標(biāo)。

然而，這種方式往往會面臨「廣而不精」的問題。

圖1 MQ-Det方法架構(gòu)圖

例如，圖1中的細粒度物體（魚種）檢測，往往很難用有限的文本來描述各種細粒度的魚種；類別歧義，bat既可指蝙蝠又可指拍子。

然而，以上的問題均可通過圖像示例來解決，相比文本，圖像能夠提供目標(biāo)物體更豐富的特征線索，但同時文本又具備強大的泛化性。

由此，如何能夠有機地結(jié)合兩種查詢方式，成為了一個很自然地想法。

獲取多模態(tài)查詢能力的難點：如何得到這樣一個具備多模態(tài)查詢的模型，存在三個挑戰(zhàn)：

1. 直接用有限的圖像示例進行微調(diào)很容易造成災(zāi)難性遺忘；

2. 從頭訓(xùn)練一個檢測大模型會具備較好的泛化性但是消耗巨大，例如，單卡訓(xùn)練GLIP[1]需要利用3000萬數(shù)據(jù)量訓(xùn)練480 天。

多模態(tài)查詢目標(biāo)檢測：基于以上考慮，作者提出了一種簡單有效的模型設(shè)計和訓(xùn)練策略——MQ-Det

MQ-Det在已有凍結(jié)的文本查詢檢測大模型基礎(chǔ)上插入少量門控感知模塊（GCP）來接收視覺示例的輸入，同時設(shè)計了視覺條件掩碼語言預(yù)測訓(xùn)練策略高效地得到高性能多模態(tài)查詢的檢測器。

MQ-Det：即插即用的多模態(tài)查詢模型架構(gòu)

門控感知模塊

如圖1所示，作者在已有凍結(jié)的文本查詢檢測大模型的文本編碼器端逐層插入了門控感知模塊（GCP），GCP的工作模式可以用下面公式簡潔地表示：

對于第i個類別，輸入視覺示例 v_i，其首先和目標(biāo)圖像 進行交叉注意力（ X-MHA）得到 以增廣其表示能力，而后每個類別文本 t_i 會和對應(yīng)類別的視覺示例  進行交叉注意力得到 ，之后通過一個門控模塊gate 將原始文本 t_i 和視覺增廣后文本  融合，得到當(dāng)前層的輸出

這樣的簡單設(shè)計遵循了三點原則：（1）類別可擴展性；（2）語義補全性；（3）抗遺忘性，具體討論可見原文。

MQ-Det高效訓(xùn)練策略

基于凍結(jié)語言查詢檢測器的調(diào)制訓(xùn)練

由于目前文本查詢的預(yù)訓(xùn)練檢測大模型本身就具備較好的泛化性，作者認為，只需要在原先文本特征基礎(chǔ)上用視覺細節(jié)進行輕微地調(diào)整即可。

在文章中也有具體的實驗論證發(fā)現(xiàn)，打開原始預(yù)訓(xùn)練模型參數(shù)后進行微調(diào)很容易帶來災(zāi)難性遺忘的問題，反而失去了開放世界檢測的能力。

由此，MQ-Det在凍結(jié)文本查詢的預(yù)訓(xùn)練檢測器基礎(chǔ)上，僅調(diào)制訓(xùn)練插入的GCP模塊，就可以高效地將視覺信息插入到現(xiàn)有文本查詢的檢測器中。

在文章中，作者分別將MQ-Det的結(jié)構(gòu)設(shè)計和訓(xùn)練技術(shù)應(yīng)用于目前的SOTA模型GLIP[1]和GroundingDINO[2]，來驗證方法的通用性。

以視覺為條件的掩碼語言預(yù)測訓(xùn)練策略

作者還提出了一種視覺為條件的掩碼語言預(yù)測訓(xùn)練策略，來解決凍結(jié)預(yù)訓(xùn)練模型帶來的學(xué)習(xí)惰性的問題。

所謂學(xué)習(xí)惰性，即指檢測器在訓(xùn)練過程中傾向于保持原始文本查詢的特征，從而忽視新加入的視覺查詢特征。

為此，MQ-Det在訓(xùn)練時隨機地用[MASK] token來替代文本token，迫使模型向視覺查詢特征側(cè)學(xué)習(xí)，即：

這個策略雖然簡單，但是卻十分有效，從實驗結(jié)果來看這個策略帶來了顯著的性能提升。

實驗結(jié)果

Finetuning-free

相比傳統(tǒng)零樣本（zero-shot）評估僅利用類別文本進行測試，MQ-Det提出了一種更貼近實際的評估策略：finetuning-free

其定義為：在不進行任何下游微調(diào)的條件下，用戶可以利用類別文本、圖像示例、或者兩者結(jié)合來進行目標(biāo)檢測。

在finetuning-free的設(shè)定下，MQ-Det對每個類別選用了5個視覺示例，同時結(jié)合類別文本進行目標(biāo)檢測，而現(xiàn)有的其他模型不支持視覺查詢，只能用純文本描述進行目標(biāo)檢測。

下表展示了在LVIS MiniVal和LVIS v1.0上的檢測結(jié)果。可以發(fā)現(xiàn)，多模態(tài)查詢的引入大幅度提升了開放世界目標(biāo)檢測能力。

表1 各個檢測模型在LVIS基準(zhǔn)數(shù)據(jù)集下的finetuning-free表現(xiàn)

從表1可以看到，MQ-GLIP-L在GLIP-L基礎(chǔ)上提升了超過7%AP，效果十分顯著！

Few-shot評估

表2 各個模型在35個檢測任務(wù)ODinW-35以及其13個子集ODinW-13中的表現(xiàn)

作者還進一步在下游35個檢測任務(wù)ODinW-35中進行了全面的實驗。由表2可以看到，MQ-Det除了強大的finetuning-free表現(xiàn)，還具備良好的小樣本檢測能力，進一步印證了多模態(tài)查詢的潛力。圖2也展示了MQ-Det對于GLIP的顯著提升。

圖2 數(shù)據(jù)利用效率對比；橫軸：訓(xùn)練樣本數(shù)量，縱軸：OdinW-13上的平均AP

多模態(tài)查詢目標(biāo)檢測的前景

目標(biāo)檢測作為一個以實際應(yīng)用為基礎(chǔ)的研究領(lǐng)域，非常注重算法的落地。

盡管以往的純文本查詢目標(biāo)檢測模型展現(xiàn)出了良好的泛化性，但是在實際的開放世界檢測中文本很難涵蓋細粒度的信息，而圖像中豐富的信息粒度完美地補全了這一環(huán)。

至此我們能夠發(fā)現(xiàn)，文本泛而不精，圖像精而不泛，如果能夠有效地結(jié)合兩者，即多模態(tài)查詢，將會推動開放世界目標(biāo)檢測進一步向前邁進。

MQ-Det在多模態(tài)查詢上邁出了第一步嘗試，其顯著的性能提升也昭示著多模態(tài)查詢目標(biāo)檢測的巨大潛力。

同時，文本描述和視覺示例的引入為用戶提供了更多的選擇，使得目標(biāo)檢測更加靈活和用戶友好。