《CRIS: CLIP-Driven Referring Image Segmentation》论文解读

errorwarn

于 2024-03-05 19:39:37 发布

阅读量861

点赞数 5

文章标签：人工智能深度学习计算机视觉

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/errorworn/article/details/136459510

版权

本文介绍了CRIS模型，一种利用CLIP模型知识的Referring Image Segmentation方法。通过ResNet和Transformer提取图像与文本特征，结合视觉语言解码器与文本到像素对比学习，实现文本到像素的对齐。在RefCOCO等数据集上，CRIS表现出优越性能。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

此论文的贡献

1.作者提出了一个CLIP驱动的Referrring Image Segmentation(CRIS)来传递CLIP模型的知识，以实现文本到像素的对齐。

2.充分利用了多模态知识，设计了视觉语言解码器和文本到像素对比学习两种创新设计。

3.在三个具有挑战性的基准数据集（RefCOCO、RefCOCO+、GRef）上的实验结果明显优于以前的最先进的方法。

CRIS模型

模型整体框架

首先，我们使用ResNet和Transformer分别提取图像和文本特征，并进一步融合得到简单的多模态特征。其次，将这些特征和文本特征输入到视觉语言解码器中，将细粒度的语义信息从文本表示传播到像素级的视觉激活。最后，使用两个Projector生成最终的预测掩码，并采用文本-像素对比损失将文本特征与相关像素级视觉特征显式对齐。

图像和文本特征提取

图像编码器

对于输入图像 $I\in R^{H\times W\times 3}$ ,输入ResNet得到其2-4阶段的多个视觉特征，分别定义为 $F_{v2}\in R^{H/8\times /8 \times C_2}$ , $F_{v3}\in R^{H/16\times /16 \times C_3}$ 和 $F_{v4}\in R^{H/32\times /32 \times C_4}$ 。

文本编码器

对于输入表达式 $T\in R^L$ ,作者采用经过修改的Transformer来提取文本特征

最低0.47元/天解锁文章

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。