Open Vocabulary Semantic Segmentation with Patch Aligned Contrastive Learning

要約

ビジョン エンコーダーのパッチ トークンとテキスト エンコーダーの CLS トークンの間のアライメントをトレーニングすることを目的として、CLIP のコントラスト損失用に修正された互換性関数である Patch Aligned Contrastive Learning (PACL) を導入します。
このような配置により、モデルは特定のテキスト入力に対応する画像の領域を識別できるため、トレーニング中にセグメンテーション アノテーションを必要とせずに、オープン ボキャブラリ セマンティック セグメンテーションのタスクにシームレスに移行できます。
PACL で事前にトレーニングされた CLIP エンコーダーを使用して、4 つの異なるセグメンテーション ベンチマーク (Pascal VOC、Pascal Context、COCO スタッフ、および ADE20K) でオープン ボキャブラリ ゼロ ショット セグメンテーションのタスクに最先端を設定できます。
さらに、PACL は画像レベルの予測にも適用可能であり、CLIP バックボーンと併用すると、12 の画像分類データセットのスイート全体で、CLIP と比較してゼロショット分類の精度が一般的に向上することを示します。

要約(オリジナル)

We introduce Patch Aligned Contrastive Learning (PACL), a modified compatibility function for CLIP’s contrastive loss, intending to train an alignment between the patch tokens of the vision encoder and the CLS token of the text encoder. With such an alignment, a model can identify regions of an image corresponding to a given text input, and therefore transfer seamlessly to the task of open vocabulary semantic segmentation without requiring any segmentation annotations during training. Using pre-trained CLIP encoders with PACL, we are able to set the state-of-the-art on the task of open vocabulary zero-shot segmentation on 4 different segmentation benchmarks: Pascal VOC, Pascal Context, COCO Stuff and ADE20K. Furthermore, we show that PACL is also applicable to image-level predictions and when used with a CLIP backbone, provides a general improvement in zero-shot classification accuracy compared to CLIP, across a suite of 12 image classification datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google