DenseCLIP：Language-Guided Dense Prediction with Context-Aware Prompting

DenseCLIP：Language-Guided Dense Prediction with Context-Aware Prompting

论文地址：https://arxiv.org/pdf/2112.01518.pdf

受到CLIP的启发，该文作者将CLIP应用到了Dense Prediction任务上，其将原本CLIP中的image-text问题转换成了pixel-text问题，将image上的每个像素点对应K个类别的文本，每个像素点得到K个分数，从而产生了pixel-text score maps来指导密集预测模型。实验证明，DenseCLIP在语义分割、目标检测、实例分割上都取得了不错的效果。

1.DenseCLIP的整体框架：

传统的Dense Prediction模型框架的预训练是使用image进行监督学习或自监督学习，在用于下游任务时使用Image encode和image decoder对预训练的权重进行微调得到预测模型。而DenseCLIP的预训练是选择使用大量的image-text对进行对比学习（CLIP）。在下游任务中，将原text encoder的权重固定为原预训练权重，而是在得到image embedding和text embedding后，用image embedding对text embedding进行调整，最终得到pixel-text的score maps。

2.Language-Guided Fine-tuning结构

这里作者使用的Image Encoder是ResNet50来进行介绍DenseCLIP，具体细节如下：

对于该模型的Image Encoder，其中{x_i}⁴_i=1为ResNet50的四个block的输出的feature map，其中最后一层x₄的大小为H₄W₄xC。CLIP中有一个attention pooling layer，其先将x₄进行了global avg pooling，得到feature x ₄大小为1xC，再对[ x ₄，x₄]做multi-head self-attention得到[z ，z],此时的z 的大小为1xC，z的大小为H₄W₄xC。对于text encoder，若有k个类，那么经过encoder得到的特征大小为K x C，于是拿image feature z去query text feature t从而得到相似度score map s:
$$s=\hat{z}{\hat{t}}^{T}sϵR^{H_4{W}_4\ast K}$$
其中z^和t表示z和t经过L2 normalized 的结果。这里的t，可能是先经过text encoder再经过vision information的refine，也可能先经过refine再经过text encoder得到的。

在模型中计算了两个损失分别为Auxiliary loss和task loss。对于Auxiliary loss，是使用score map和真实的segmentation map通过计算cross entropy作为辅助的loss。

对于语义分割任务（每个pixel都要分类正确），所以计算Auxiliary loss的公式为：

对于实例分割或者目标检测任务，计算Auxiliary loss的公式为：

y和y~都是对原尺度进行下采样的结果。

对于task loss，则需要使用score map和image feature经过image decoder后得到预测结果，然后与label进行cross entropy得到最终的loss。

Context-Aware Prompting

其方法与CoOp相似，但对比CoOp，CoOp仅仅是一个可学习的张量，并没有包含视觉信息，而DenseCLIP则采用的是Vision-to-language prompting，即在learnable context中引入一些视觉信息。作者介绍了两种refine方式：pre-model prompting和post-model pronpting。其中pre-model prompting是用视觉信息refine 在 text encoding 之前的context，而post-model prompting是用视觉信息refine在text encoding之后的context。

Pre-model prompting具体操作

这种方法是在进行text encoder之前进行学习视觉信息，首先引入了一个query张量q，q的大小为NxC（N为text中context length，C为图像通道数），和视觉特征（图片执行完image encoding后的特征）做cross-attention得到视觉信息 v_pre，其大小为NxC。计算公式如下：
$$v_{pre}=TransDecoder(q,[\bar{z},z])$$
用v_pre替换CoOp中的learnable context。

Post-model prompting具体操作

这种方法是在进行text encoder之后进行学习视觉信息，先按照正常计算的带text feature t，t大小为K x C，使用t去query得到的视觉特征[z,z],得到vision context v_post ,其带下为K x C，再拿v_post去refine 文本特征t，计算公式如下：
$$\begin{gathered} v_{post}=TransDecoder(t,[\bar{z},z]) \\ t\leftarrow t+\gamma y_{post} \end{gathered}$$
其中y是可学习的，其用于控制残差的scale。

最终作者在实验中发现，post-model prompting的效果较好，故使用post-model prompting方法。

Limitation：在检测上的效果提升不是特别显著，作者分析的原因是CLIP在预训练时并没有和定位有关的约束。

3.总结

DenseCLIP将CLIP模型应用到了密集预测任务中，将原来的只使用image encoder进行预训练并在下游任务中微调，修改成了使用image encoder和text encoder进行预训练（CLIP），并在微调时，将text encoder的权重固定，只训练image encoder和image decoder中的权重。DenseCLIP成功的将文本信息运用到了图像的密集预测任务中。