LISA:通过大语言模型进行推理分割

论文：https://arxiv.org/pdf/2308.00692

代码：GitHub - dvlab-research/LISA 

摘要

尽管感知系统近年来取得了显著的进步，但在执行视觉识别任务之前，它们仍然依赖于明确的人类指令来识别目标物体或类别。这样的系统缺乏主动推理和理解隐含用户意图的能力。在这项工作中，我们提出了一种新的分割任务-推理分割。该任务的目的是在给定复杂且隐式的查询文本的情况下输出分割mask。此外，我们建立了一个由一千多个图像指令对组成的基准，将复杂的推理和世界知识纳入评估目的。最后，我们提出了LISA:大型语言指导分割助手（large Language Instructed Segmentation Assistant），它继承了多模态大型语言模型(LLM)的语言生成能力，同时还具有生成分割掩码的能力。我们使用<SEG>标记扩展原始词汇表，并提出嵌入作为掩码范式来解锁分割功能。值得注意的是，LISA可以处理以下情况:1)复杂推理;2)世界知识;3)解释性答案;4)多回合对话。此外，当只在无推理数据集上训练时，它显示出强大的zero shot能力。此外，仅使用239对推理分割图像指令对模型进行微调可以进一步提高性能。实验表明，该方法不仅开启了新的推理分割能力，而且在复杂推理分割和标准参考分割任务中都是有效的。

背景

在这项工作中，我们引入了一种新的分割任务-推理分割，它需要基于涉及复杂推理的隐式查询文本生成二进制分割mask。

值得注意的是，查询文本并不局限于简单的引用(例如，“橘子”)，而是涉及复杂推理或世界知识的更复杂的描述(例如，“高质量的食物含有维生素C”)。为了完成这一任务，模型必须具备两个关键能力:1)与图像联合推理复杂和隐式的文本查询;2)生成分割掩码。

尽管一些研究已经将robust的推理能力集成到多模态llm中以适应视觉输入，但这些模型中的大多数主要集中在文本生成任务上，并且在执行以视觉为中心需要细粒度fine-grained的输出格式的任务时仍然不足，例如分割。

通过将分割掩码表示为嵌入，LISA获得了分割能力，并从端到端训练中获益。

贡献

1） 我们引入了推理分割任务，该任务需要基于隐含的人类指令进行推理。这项任务强调了自我推理能力的重要性，这对于构建一个真正智能的感知系统至关重要。

2） 我们建立了一个推理分割基准，ReasonSeg，包含一千多个图像指令对。这个基准对于评估和鼓励社区开发新技术至关重要。

3） 我们提出了我们的模型- LISA，它采用嵌入作为掩码范式来合并新的分割功能。当在无推理数据集上训练时，LISA在推理分割任务上表现出强大的零射击能力，并且通过对239对涉及推理的图像指令对进行微调，进一步提高了性能。我们相信LISA将促进感知智能的发展，并激发这一方向的新进展。

相关工作

图像分割 IMAGE SEGMENTATION

语义分割的目的是为图像中的每个像素分配一个类标签。

大量研究提出了多种设计(如编码器-解码器、扩展卷积、金字塔池模块、非局部算子等)来有效地编码语义信息。

实例分割研究和全视分割为实例级分段引入了各种架构创新，包括基于DETR (Carion et al.， 2020)的结构、mask attention 和 dynamic convolution。

最近，Kirillov等人(2023)引入了SAM，使用数十亿个高质量掩码进行训练，支持边界框和点作为提示，同时展示了出色的分割质量。X-Decoder (Zou et al.， 2023a)在视觉和语言之间架起了桥梁，将多个任务统一在一个模型中。SEEM (Zou et al.， 2023b)进一步支持各种人类交互方法，包括文本、音频和涂鸦。然而，这些研究主要关注多任务的兼容性和统一，而忽视了新功能的注入。

在这项工作中，我们提出了LISA来解决推理分割任务，并通过自我推理能力增强现有的视觉分割器。

多模态大语言模型 MULTI-MODAL LARGE LANGUAGE MODEL

受llm卓越的推理能力的激励，研究人员正在探索将这些能力转移到视觉领域的方法，开发多模态llm。

Flamingo(Alayrac，2022)采用交叉注意结构来关注视觉情境，从而实现视觉情境学习。

BLIP-2 (Li et al.， 2023b)和mPLUG-OWL (Ye et al.， 2023)等模型提出用视觉编码器编码图像特征，然后将其与文本嵌入一起输入LLM。

Otter (Li et al.， 2023a)通过对拟议的MIMIC-IT数据集进行上下文指令调优，进一步整合了鲁棒的少镜头功能。LLaVA (Liu et al.， 2023b)和MiniGPT-4 (Zhu et al.， 2023)首先进行图像-文本特征对齐，然后进行指令调优。

此外，众多著作(Wu et al.， 2023;Yang et al.， 2023b;沈等，2023;Liu et al.， 2023c;Yang等人，2023a)利用即时工程，通过API调用连接独立模块，但没有端到端培训的好处。

最近，有一些研究探讨了LLM和视觉任务多模态之间的交集。

VisionLLM (Wang et al.， 2023)通过指令调优为多个以视觉为中心的任务提供了灵活的交互界面，但未能充分利用llm进行复杂的推理。

Kosmos -2 (Peng et al.， 2023)构建了基于图像-文本对的大规模数据，为llm注入了基于的能力。GPT4RoI (Zhang et al.， 2023)引入空间框作为输入，在区域-文本对上训练模型

相比之下，我们的工作旨在

1)有效地将分割能力注入到多模态llm中

2)解锁当前感知系统的自我推理能力。

Reasoning Segmentation 推理分割介绍

问题定义

 推理分割任务是给定一个输入图像ximg和一个隐式查询文本指令xtxt，输出一个二值分割maskM

查询文本可能不是简单的短语(例如，“垃圾桶”)，而是包含更复杂的表达式(例如，“应该把垃圾放入的东西”)或更长的句子(例如，“烹饪后，吃完食物，我们可以把剩下的食物和残羹冷炙扔在哪里?”)，这涉及到复杂的推理或世界知识。

基准 Benchmark

在缺乏定量评价的情况下，为推理分割任务建立一个基准是十分必要的。为了确保可靠的评估，我们从OpenImages (Kuznetsova et al.， 2020)和ScanNetv2 (Dai et al.， 2017)中收集了一组不同的图像，并用隐含的文本指令和高质量的目标掩码对它们进行注释。我们的文字说明包括两种类型:1)短句;2)长句子，如图2所示。所得的ReasonSeg基准测试总共包含1218个图像指令对。该数据集进一步划分为三个部分:train、val和test，分别包含239、200和779个图像指令对。由于基准测试的主要目的是评估，因此验证和测试集包含更多的图像指令样本。

方法

模型结构

 Embedding as Mask

 VisionLLM (Wang et al.， 2023)可以通过将分割掩码解析为多边形序列，支持将分割掩码表示为纯文本，并允许在现有多模态llm框架内进行端到端训练。然而，除非使用大量的数据和计算资源，否则多边形序列的端到端训练会引入优化挑战，并可能损害泛化能力。例如，训练一个7B模型，VisionLLM需要4 × 8 NVIDIA 80G A100 gpu和50个epoch，这在计算上是令人望而却步的。相比之下，训练LISA-7B只需要在8台NVIDIA 24G 3090 gpu 上训练10,000步。

 为此，我们提出了嵌入作为掩码范式，将新的分割功能注入到多模态LLM中。

step1

Text

我们首先用一个新的令牌扩展原始的LLM词汇表，即<SEG>，它表示对segmentation输出的请求。给定文本指令xtxt和输入图像ximg，我们将它们输入到多模态LLM F中，LLM F反过来输出文本响应ytxt。

 当LLM打算生成二进制分割掩码时，输出的ytxt应该包含一个<SEG>令牌。

然后，我们提取与<SEG>令牌对应的最后一层嵌入- hseg，并应用MLP投影层γ来获得hseg。

image

同时，视觉骨干神经网络从视觉输入图像中提取视觉嵌入。最后，hseg和f被馈送到解码器Fdec以产生最终的分割掩码M。解码器Fdec的详细结构参照Kirillov et al.(2023)。该过程可表述为

Training Objectives

损失函数

使用文本生成损失Lxt和segmentation mask损失Lmask对模型进行端到端训练。总目标L是这些损失的加权和，由λtxt和λmask决定:

具体来说，Ltxt是文本生成的自回归交叉熵损失，Lmask是掩码损失，这促使模型产生高质量的分割结果。为了计算Lmask，我们采用了每像素二进制交叉熵(BCE)损失和DICE损失的组合，相应的损失权重分别为λbce和λdice。给定真值目标ytxt和m，这些损失可以表示为:

 

Training Data Formulation 训练数据公式

我们的训练数据由三部分组成，全部来源于广泛使用的公共数据集。具体情况如下

Semantic Segmentation Dataset.语义分割数据集

语义分割数据集通常由图像和相应的多类标签组成。

在训练过程中，我们随机为每个图像选择几个类别。为了生成与可视化问答格式匹配的数据，我们使用了如下的问答模板

" USER: <IMAGE>你能分割这个图像中的{CLASS NAME}吗? "助理:是<SEG>，其中{CLASS NAME}是选择的类别，<IMAGE>表示图像patches token 的placeholder。

使用相应的二值分割掩码作为ground truth，提供mask loss监督。在训练过程中，我们还使用其他模板来生成QA数据，以保证数据的多样性。我们采用ADE20K，COCO-Stuff和LVIS-PACO零件分割数据集。

Vanilla Referring Segmentation Dataset 参考分割数据集

参考分割数据集提供输入图像和目标对象的显式简短描述。

因此，使用类似于“USER: <IMAGE>可以在此图像中分割{description}吗?”这样的模板很容易将它们转换为问答对。Assistant:当然，是<SEG>，其中{description}是给定的显式描述。本部分采用refCOCO、refCOCO+、refCOCOg和refCLEF数据集。

Visual Question Answering Dataset 图片问答数据集

为了保持多模态LLM原有的视觉问答(VQA)能力，我们还在训练过程中加入了VQA数据集。我们直接使用GPT-4生成的llava - instruction -150k数据(Liu et al.， 2023b)。

可训练参数

为了保持预训练的多模态LLM F(即我们实验中的LLaVA)的泛化能力，我们利用LoRA (Hu et al.， 2021)进行高效微调，并完全冻结视觉骨干区。解码器Fdec是完全微调的。此外，LLM的词嵌入和投影层γ也是可训练的。

实验

实验设置

网络结构

除非另有说明，我们采用LLaVA-7B-v1-1或LLaVA-13B-v1-1作为多模态LLM F

采用ViT-H SAM骨干网作为视觉骨干网。

γ的投影层是通道为[256,4096,4096]的MLP。

 

实现细节

8个NVIDIA 24G 3090 gpu

训练脚本基于deepspeed (Rasley et al.， 2020)引擎。我们使用AdamW (Loshchilov & Hutter, 2017)优化器，学习率和权重衰减分别设置为0.0003和0。

我们也采用WarmupDecayLR作为学习率调度器，其中warmup迭代设置为100。

文本生成loss λtxt gen和掩码loss λmask的权值分别设为1.0和1.0,

bce loss λbce和dice loss λdice的权值分别设为2.0和0.5。

此外，每个设备的batch size设置为2，gradient accumulation step设置为10。在训练过程中，我们对语义分割数据集中的每个图像最多选择3个类别。

数据集

对于语义分割数据集，我们使用ADE20K (Zhou等人，2017)和COCO-Stuff (Caesar等人，2018)。此外，为了增强对物体某些部分的分割结果，我们还使用了部分语义分割数据集，包括PACO-LVIS (Ramanathan等人，2023)、PartImageNet (He等人，2022)和PASCAL-Part (Chen等人，2014);

对于参考分割数据集，我们使用了refCLEF, refCOCO, refCOCO+ (Kazemzadeh et al., 2014), and refCOCOg (Mao et al., 2016).

对于视觉问答(VQA)数据集，我们使用llava - instruction -150k数据集(Liu et al.， 2023b)。为了避免数据泄露，我们在训练过程中排除了图像出现在refCOCO(+/g)验证集中的COCO样本。

此外，我们惊奇地发现，通过对ReasonSeg图像指令对的239个样本进行模型微调，模型的性能可以进一步提高。

评价指标

我们遵循之前大多数关于参考分割的工作(Kazemzadeh等人，2014;）gIoU是由所有每个图像的交集-联合(iou)的平均值定义的，而cIoU是由累积交集-联合定义的。由于cIoU对大面积物体的偏倚较大，且波动较大，所以首选gIoU。

实验结果

REASONING SEGMENTATION

只有真正理解了查询，模型才能很好地完成任务。现有的工作仅限于显式引用，没有适当的方法来理解隐式查询，而我们的模型利用多模态LLM来实现这一目标。

LISA-13B的性能大大优于7B，特别是在长查询场景下，这表明当前的性能瓶颈可能仍然在于理解查询文本，而更强大的多模态LLM可能会带来更好的结果 

VANILLA REFERRING SEGMENTATION

 

消融实验

除非另有说明，我们在验证集中报告LISA-7B的gIoU和cIoU指标。

 视觉主干的设计选择

 视觉骨干的设计选择是灵活的，不局限于SAM

SAM LoRA微调

 我们注意到经过LoRA调优的SAM主干的性能不如冻结的主干。一个潜在的原因是微调削弱了原始SAM模型的泛化能力

 

SAM预训练权重

不带预训练权重性能大下降！

MLP vs.线性投影层

我们注意到使γ MLP在gIoU中的性能下降很小，但在cIoU中的性能相对较高↑

所有类型训练数据的贡献

 值得注意的是，在Exp. 4中，我们没有使用任何语义分割数据集，性能下降了很多。我们推测语义分割数据集为训练提供了大量的基真二值掩码，因为一个多类标签可以产生多个二值掩码。这表明语义分割数据集在训练中是至关重要的

GPT-3.5指令复述

在对推理分割图像指令对进行微调的过程中，我们使用GPT-3.5对文本指令进行改写，并随机选择一条。表4中实验3和实验4的对比表明，性能分别提高了2.2%和2.9% cIoU。该结果验证了该数据增强方法的有效性。

附录-一些实验结果