论文：Improving One-stage Visual Grounding by Recursive Sub-query Construction

作者

摘要

We improve one-stage visual grounding by addressing current limitations on grounding long and complex queries. Existing one-stage methods encode the entire language query as a single sentence embedding vector,e.g., taking the embedding from BERT or the hidden state from LSTM. This single vector representation is prone to overlooking the detailed descriptions in the query. To address this query modeling deficiency, we propose a recursive sub-query construction framework, which reasons between image and query for multiple rounds and reduces the referring ambiguity step by step. We show our new one-stage method obtains 5.0%,4.5%,7.5%,12.8% absolute improvements over the state-of-the-art one-stage approach on ReferItGame, RefCOCO, RefCOCO+, and RefCOCOg, respectively. In particular, superior performances on longer and more complex queries validates the effectiveness of our query modeling. Code is available at https://github.com/zyang-ur/ReSC.

我们通过解决当前对长而复杂查询进行grounding的限制，改进了单阶段Visual grounding。现有的单阶段方法将整个语言查询编码为一个句子嵌入向量，如从BERT中获取嵌入或从LSTM中获取隐藏状态。这种单一向量表示容易忽略查询中的详细描述。为了解决这种查询建模的不足，我们提出了一种递归子查询构造框架，该框架将图像和查询之间的关系进行多轮推理，并逐步减少引用歧义。我们证明了我们的新的一阶段方法与最先进的单阶段方法相比，在ReferItGame、RefCOCO、RefCOCO+和RefCOCOg上，得到了5.0%, 4.5%, 7.5%, 12.8%。特别是，在更长更复杂的查询上的优异性能验证了我们的query modeling的有效性。代码可在https://github. com/zyang-ur/ReSC。

Introduction

Visual grounding旨在将自然语言查询ground到图像的某个区域。Visual grounding的工作主要有两条主线：两阶段法[41,40,32,3,50,48]和一阶段法[47,5,37]。两阶段方法首先提取region proposal，然后根据其与查询的相似性对proposal进行排序。最近提出的单阶段方法采用了不同的范式，但很快就成为主流。一阶段方法在图像级融合视觉文本特征，并直接预测边界框以使参考对象grounding。通过对可能的对象位置进行密集采样并减少region proposal上的冗余计算，单阶段方法[47,5,37]简单、快速、准确。
在本文中，我们改进了最先进的单阶段方法，解决了它们在建模长而复杂的查询时的弱点。我们的方法的整体优势如图1所示。与当前最先进的单阶段方法[47]相比，我们的方法在更长的查询中的性能显著下降，我们的方法取得了显著的优越性能。
我们分析了当前单阶段方法的局限性，如下所示。现有的单阶段方法[47,5,37]将整个query编码为单个embedding vector，例如，直接采用BERT[8,47]中的第一个token嵌入（[CLS]）或从LSTM[12,47,5,37]中聚合隐藏状态。然后将单个向量与视觉特征在所有空间位置连接，以获得用于grounding box预测的融合特征。将整个语言查询建模为单个嵌入向量往往会增加表示的模糊性，例如关注某些单词，而忽略其他重要单词。这样的问题可能会导致引用信息的丢失，特别是在那些长而复杂的查询上。例如，在图2（a）中，模型似乎忽略了诸如“坐在沙发上”或“看电视”之类的详细描述，并用头名词“man”将错误区域grounding。而在图2（b）中，模型似乎查看了错误的单词“mountain”，并将目标grounding，而没有充分考虑“mountain”的修饰语因此，忽略查询建模问题会导致单阶段方法的长查询性能下降。

几个两阶段的可视化基础工作[42,45,46,24,48,27]研究了类似的查询建模问题。这些工作的主要思想是将对象区域与解析的子查询链接起来，以全面理解引用。其中，MattNet[48]将查询解析为主题、位置和关系短语，并将每个短语与相关对象区域链接，以进行匹配分数计算。NMTREE[24]使用依赖树解析器[2]解析查询，并将每个树节点与可视区域链接。DGA[46]使用文本自我注意解析查询，并通过动态图形注意将文本与区域链接起来。这些方法虽然足够优雅，但直观地设计为两阶段方法，要求在第一阶段提取候选区域特征。由于进行一阶段可视化基础的主要好处是避免为了计算成本而显式提取候选区域特征，因此两阶段方法中的查询建模不能直接应用于一阶段框架[47,5,37]。因此，在本文中，为了在一个统一的单阶段框架中解决查询建模问题，我们提出了递归子查询构造框架。
当出现如图2（a）所示的引用问题时，人类倾向于通过在图像和查询之间来回推理多次来解决它，并递归地减少引用歧义，如包含引用对象的可能区域。受此启发，我们建议将每轮中引用的中间理解表示为文本条件视觉特征，该特征从图像特征开始，在多轮后更新，最终作为融合的视觉文本特征，为框预测做好准备。在每一轮中，该模型构造一个新的子查询，作为一组包含分数的词，以细化文本条件视觉特征。通过多次轮次，我们的模型逐渐减少了引用歧义。这种多轮解决方案与以前的单阶段方法不同，前者试图记住整个查询并在一轮中对区域进行定位。
我们的框架递归地构造子查询来细化基础预测。每一轮都面临两个有助于递归推理的核心问题，即1）如何构造子查询；以及2）如何使用子查询细化text conditional视觉特征。我们分别提出了一个子查询学习器和一个子查询调制网络来解决上述两个问题。它们交替和递归地工作，以减少引用的歧义。使用上一轮中的文本条件视觉特征，最终输出阶段将预测边界框以使引用对象固定。
我们在ReferItGame[17]、RefCOCO[49]、RefCOCO[49]、RefCOCOg[29]数据集上对我们的框架进行了基准测试，共有5个数据集，提高了5.0%, 4.5%, 7.5%, 12.8%。同时，我们的方法以38fps（26ms）的速度运行。此外，图1中根据查询长度变化的相对增益曲线显示了我们的方法在解决上述查询建模问题方面的有效性。
我们的主要贡献有：

• 我们通过解决以前的一阶段方法在处理长而复杂的查询时的局限性，改进了一阶段Visual Grounding。
• 我们提出了一个递归子查询构造框架，该框架递归地减少了不同构造子查询的引用歧义。
• 我们提出的方法在多个数据集上显示了显著的改进结果，同时保持了实时推理速度。大量的实验和消融验证了我们方法的有效性。

Related Work

存在两大类Visual grounding方法：phrase localization [17,33,40]和referring expression comprehension[29,49,48,15,18]。大多数以前的Visual Grounding方法由两个阶段组成。在第一阶段，许多区域方案由off-line module生成，如EdgeBox[53]、选择性搜索[39]或预训练检测器[26,35,13]。在第二阶段，将每个区域与输入查询进行比较，并输出相似性分数。在推理过程中，将相似度得分最高的区域作为最终预测输出。在两阶段框架下，各种作品探索不同方面以改善视觉基础，如更好地利用属性[25,48,27]、对象关系[42,45,46,24]、短语共现phrase co-occurrences[4,9,1]等。
最近，一些工作[47,5,37,20,28]提出了一种不同的单阶段视觉基础范式。主要动机是解决两阶段方法的两个局限性，如，由于稀疏采样region proposal导致的性能上限，以及由于region特征计算导致的缓慢推理速度。一阶段方法不是显式地提取所有region proposal的特征，而是在所有空间位置密集地融合视觉文本特征，并直接预测边界框以使目标Grounding 。以前的单阶段方法通常将查询编码为单个语言向量，并沿视觉特征的通道维度连接特征。尽管单阶段方法很有效，但将语言查询建模为单个向量可能会导致引用信息的丢失，特别是在长而复杂的查询中。尽管两阶段方法[42,45,46,24,48,27]研究了语言查询建模的类似问题，但鉴于两种范式之间的内在差异，这些探索不能直接应用于一阶段方法。
此外，一个直观的替代方法是通过注意机制对查询短语进行建模。Linet al.[22]建议通过自我注意提取句子嵌入。在各种视觉语言任务中，还探索了带有注意机制的查询建模[19,48]。在实验中，我们观察到我们提出的多轮解决方案比简单的查询注意方法（参见表3中的“单/多头注意”和“子查询学习者（我们的）”更好）。

Approach

在本节中，我们将在一个统一的单阶段基础框架中介绍我们的查询建模。以前的一阶段基础方法将语言查询编码为$C_l$维语言特征，并将所有空间位置的文本特征与视觉特征连接起来$v\in R^{H\times W\times C_v}$。$H、W、C_v$是视觉特征的高度、宽度和尺寸。视觉特征和文本特征通常在连接之前映射到同一维度C。额外的卷积层进一步细化融合特征$f\in R^{H\times W\times 2C}$，并预测每个空间位置$H\times W$处的边界框，以使目标Grounding。这种单轮查询建模往往会忽略重要的查询细节，并导致错误的预测。在更长更复杂的查询中，问题变得越来越严重，如图1所示。
为了在一个统一的one-stage Visual Grounding系统中解决这个问题，我们提出了一个递归子查询构造框架，该框架逐步细化 visual-text特征$v^{(k)}$以获得更好的预测。如图3所示，初始特征$v^{(0)}$是图像特征$v\in R^{H\times W\times C}[34]$由视觉编码器编码的。在每轮$k$中，该框架构造一个新的子查询作为一组带有分数向量${\alpha }^{(k)}$的词，并获得子查询嵌入$q^{(k)}$以细化视觉文本特征。该框架在$K$轮之后以细化的特征$v^{(K)}$结束，并预测 v ( K ) v^{(K)}