[論文レビュー] CoDet: Co-Occurrence Guided Region-Word Alignment for Open-Vocabulary Object Detection

Chuofan Ma, Yi Jiang+3 more|arXiv (Cornell University)|Oct 25, 2023

Multimodal Machine Learning Applications被引用数 5

ひとこと要約

CoDetは、事前対応済みの視覚言語モデルに依存しない、新しいオープンボリュームオブジェクト検出フレームワークを提案する。これは、共通の概念を共有する画像グループ間の視覚的類似性に基づいて、領域-語の対応を共起オブジェクト発見として定式化することで実現される。概念グループ内でのテキスト誘導型プロトタイプベースの領域マッチングを活用することで、CoDetは最先端の性能を達成し、OV-LVISで37.0 APₘⁿᵒᵛおよび44.7 APₘᵃˡˡを達成。前回のSoTAをそれぞれ4.2点および9.8点上回った。

ABSTRACT

Deriving reliable region-word alignment from image-text pairs is critical to learn object-level vision-language representations for open-vocabulary object detection. Existing methods typically rely on pre-trained or self-trained vision-language models for alignment, which are prone to limitations in localization accuracy or generalization capabilities. In this paper, we propose CoDet, a novel approach that overcomes the reliance on pre-aligned vision-language space by reformulating region-word alignment as a co-occurring object discovery problem. Intuitively, by grouping images that mention a shared concept in their captions, objects corresponding to the shared concept shall exhibit high co-occurrence among the group. CoDet then leverages visual similarities to discover the co-occurring objects and align them with the shared concept. Extensive experiments demonstrate that CoDet has superior performances and compelling scalability in open-vocabulary detection, e.g., by scaling up the visual backbone, CoDet achieves 37.0 $ ext{AP}^m_{novel}$ and 44.7 $ ext{AP}^m_{all}$ on OV-LVIS, surpassing the previous SoTA by 4.2 $ ext{AP}^m_{novel}$ and 9.8 $ ext{AP}^m_{all}$. Code is available at https://github.com/CVMI-Lab/CoDet.

研究の動機と目的

• 既存のオープンボリュームオブジェクト検出器が、局所化性能および一般化性能に劣る事前学習済みの視覚言語モデルに依存するという限界に対処すること。
• オープンボリューム検出における領域-語対応のための事前対応済み視覚言語空間への依存を排除すること。
• キャプションに共通の概念を含む画像群において、視覚的共起パターンを用いて信頼性の高い領域-語対応を発見すること。
• テキスト誘導型類似度推定とプロトタイプベースの領域集約を導入することで、対応の正確性とスケーラビリティを向上させること。
• 人間による領域-テキストペアのアノテーションを必要とせずに、オープンボリューム検出ベンチマークで最先端の性能を達成すること。

提案手法

• CoDetは、共通の概念を含むキャプションを持つ画像をサンプリングすることで、共起発見の基盤となるセマンティックグループを構築する。
• グループ内の画像間で領域類似度を計算することで、共有概念と共に一貫して出現する領域を共起オブジェクトとして特定する。
• ノイズの多い類似度推定に対して耐性を高めるために、グループ全体の領域プロポーザルをソフトウェートで重み付けしてプロトタイプを構築する。
• テキスト誘導型のアプローチを領域類似度計算に統合し、関連のないまたは見た目が似たオブジェクトとの区別を向上させる。
• 得られたプロトタイプ-概念ペアを弱教師信号として用い、事前対応済みVLMを必要としないオープンボリュームオブジェクト検出器の学習を実現する。
• 本手法は、ResNet50、Swin-B、EVA02-Lを含む多様なバックボーンでスケーラブルかつ有効である。

実験結果

リサーチクエスチョン

• RQ1 複数の画像グループにまたがるオブジェクトの共起を活用することで、事前学習済みの視覚言語モデルに依存せずに信頼性の高い領域-語対応を発見できるか？
• RQ2 視覚的類似度とテキスト誘導がどのように統合され、オープンボリューム検出における対応の正確性を向上させるか？
• RQ3 ノイズの多い類似度推定下でも、プロトタイプベースの領域集約はヒューリスティックな選択を上回る性能を示すか？
• RQ4 グループサイズは、人間がキャプションを編集したデータとウェブクロールドデータの両方において、共起的要因発見にどのように影響するか？
• RQ5 提案手法は、OV-LVIS や COCO といったオープンボリューム検出ベンチマークで最先端の性能を達成できるか？

主な発見

• CoDetはOV-LVISベンチマークで37.0 APₘⁿᵒᵛおよび44.7 APₘᵃˡˡを達成し、前回のSoTAをそれぞれ4.2点および9.8点上回った。
• EVA02-Lバックボーンを用いることで、CoDetはOV-LVISで37.0 APₘⁿᵒᵛを達成し、より大きな視覚バックボーンとのスケーラビリティが顕著に示された。
• プロトタイプベース戦略は、ヒューリスティックベースラインと比較して、新規カテゴリのAPを3.7ポイント向上させ、ノイズの多い類似度推定に耐性があり、複数のインスタンスの処理も可能であることを示した。
• テキスト誘導により、新規カテゴリのAP₅₀は26.6から30.6に上昇し、チェアレッグのような干渉要因の影響が顕著に低減された。
• OV-COCOでは、グループサイズを2から8に増加させたところ、わずかに性能が低下した。これは、人間が編集したキャプションのバイアスが共起発見に悪影響を及える可能性を示唆している。
• CoDetはCOCOおよびObjects365においてもクロスデータセット検出で強力な性能を維持しており、一般化能力が確認された。