论文精读：YOLOE: Real-Time Seeing Anything

---

前言

 本文介绍一篇来自清华的开放词汇检测论文：YOLOE；源码链接。

1、背景

 本文在yolo-world基础上，拓展使其支持开方词汇检测、分割、以及visual prompt和prompt free来实现检测任务。笔者感觉其灵感来自DINO-X，后续我会单独写一篇博客来介绍，读者有兴趣可自行阅读。

2、方法

 论文的行文思路是如何实现各种prompt检测的，如下图所示：左下角是visual prompt模块，右下角是重参Text模块、右上角部分是prompt free模块，即不指定prompt会尽可能检索词库里的物体。

 而图中其余部分：左上角部分其实就是yolo-world，其中Seg、Reg表示分割和检测头，而Embedding则是每个anchor包含的语义向量：比如维度是[8400,256]，其中8400表示anchor个数，后续该Embedding即O跟各种prompt进行对比学习，来实现物体类别判断。
 下面将分别介绍各个prompt模块是如何实现的。

---

2.1.重参Region-Text对齐模块

 如上图所示，首先Text经过TextEncoder提取出特征嵌入向量P，然后经过 $f_{\theta }$ 经过一次变换，得到Prompt Embedding。注意，上述部分在部署阶段是可以离线做的，即不影响模型性能，也就是Re-parameterization过程。 整体流程比较简单，$f_{\theta }$ 则是如下图，选用了一个FFN：

2.2.VisualPrompt模块

 这块就是如何将box或者mask等视觉prompt转化成PromptEmbedding，输入需要借助经过PAN模块的P3-P5特征层，子模块设计了一个激活分支和语义分支，其中S表示语义分支输出，W表示激活分支输出：

 这里简单说下S和W是如何聚合的，作者采用类似分组卷积思想，将S分成A组，即下面公式中的G_i，通过下面公式将W的A那个维度给销掉了，从而得到PromptEmbedding，使其维度对齐其余的Prompt embedding。

2.3.PromptFree

 该部分作者使用了一种LazyRegionPromptContrast方式：首先自己内建了一个词汇库特征向量，然后又额外创建一条可学习的Specialized Embedding，然后跟每个Anchor_Points的特征向量进行乘积，但考虑到检索复杂度太大，因此，在进行Retrieval前，进行了一步过滤：就是人为卡了个阈值 $\delta$ 。

2.4.损失函数

 分配策略采用simOTA ，损失就是二元交叉熵和定位以及Seg Loss。

3、实验

3.1.训练集

 跟yolo-world一样O365+GQA，只不过用SAM得到mask来进行Seg分支训练。训练阶段比较复杂，分为好几个阶段，分别训练不同的prompt分支。（感觉这块不完美）。

3.2.实验结果

 依旧看LVIS指标，看起来确实比YOLO-world效果明显。

 还有prompt free的前景物体召回实验结果：

总结

 整体来说是YOLO-World一篇拓展，使其支持各种Prompt方式，但训练stage很多，这点可能训练会不方便，另外，对于实际应用来说：应该是个不错的部署工作。