[论文解读] Rewrite Caption Semantics: Bridging Semantic Gaps for Language-Supervised Semantic Segmentation
本文提出概念筛选(CoCu),一种三阶段流水线,通过基于CLIP的视觉驱动检索、文本到视觉引导排序以及聚类引导采样,扩展图像字幕中缺失的视觉概念,从而弥合语言监督语义分割中的语义鸿沟。CoCu在8个分割基准上显著提升零样本迁移性能,平均mIoU达到13.1%,大幅超越当前最先进方法。
Vision-Language Pre-training has demonstrated its remarkable zero-shot recognition ability and potential to learn generalizable visual representations from language supervision. Taking a step ahead, language-supervised semantic segmentation enables spatial localization of textual inputs by learning pixel grouping solely from image-text pairs. Nevertheless, the state-of-the-art suffers from clear semantic gaps between visual and textual modality: plenty of visual concepts appeared in images are missing in their paired captions. Such semantic misalignment circulates in pre-training, leading to inferior zero-shot performance in dense predictions due to insufficient visual concepts captured in textual representations. To close such semantic gap, we propose Concept Curation (CoCu), a pipeline that leverages CLIP to compensate for the missing semantics. For each image-text pair, we establish a concept archive that maintains potential visually-matched concepts with our proposed vision-driven expansion and text-to-vision-guided ranking. Relevant concepts can thus be identified via cluster-guided sampling and fed into pre-training, thereby bridging the gap between visual and textual semantics. Extensive experiments over a broad suite of 8 segmentation benchmarks show that CoCu achieves superb zero-shot transfer performance and greatly boosts language-supervised segmentation baseline by a large margin, suggesting the value of bridging semantic gap in pre-training data.
研究动机与目标
- 为解决网络爬取的图像-文本对中关键视觉概念缺失导致的语义鸿沟问题,该问题阻碍了语义分割的有效预训练。
- 通过从预训练数据中引入缺失的视觉概念,丰富文本表征,提升语言监督语义分割的零样本泛化能力。
- 开发一个鲁棒的流水线,在避免检索概念语义偏见的同时,确保视觉概念的全面且多样化覆盖。
- 证明概念筛选在提升零样本分割与零样本分类性能方面的有效性。
提出的方法
- 视觉驱动扩展通过使用CLIP嵌入从其他图像中检索相关概念,构建概念档案,确保视觉概念覆盖无偏。
- 文本到视觉引导排序利用CLIP的视觉-语言对齐能力,基于概念与输入图像的语义相关性对检索到的概念进行评分。
- 聚类引导采样通过利用语义聚类,选择多样且高相关性的概念,避免冗余并提升表征多样性。
- 将筛选后的内容整合到预训练数据中,增强模型将文本查询与准确像素级区域关联的能力。
- 将该流水线应用于从头开始在图像-文本对上预训练GroupViT,并在多个分割基准上进行零样本评估。
- 该方法利用现成的CLIP模型,避免重新训练视觉-语言编码器,实现高效且可扩展的概念筛选。

实验结果
研究问题
- RQ1通过从其他图像中补充缺失的视觉概念,能否提升零样本语义分割性能?
- RQ2如何有效检索并排序视觉概念,以最小化语义偏见,同时最大化与输入图像的相关性?
- RQ3在概念采样过程中通过聚类引入语义多样性,是否能带来更好的零样本分割泛化性能?
- RQ4概念筛选在超越分割任务的零样本迁移中,例如图像分类,能带来多大程度的性能提升?
主要发现
- CoCu在8个分割基准上实现13.1%的平均mIoU,较基线GroupViT提升4.9%。
- 消融实验证实,CoCu的每个组件——视觉驱动扩展、文本到视觉排序和聚类引导采样——均对性能提升有增量贡献。
- 当在C3、C12、Y14数据上预训练时,CoCu将零样本ImageNet-1K分类准确率提升6.2%(top-1)和6.9%(top-5),优于GroupViT。
- 仅视觉驱动扩展阶段即可使性能较基线提升2.1% mIoU,凸显其在减少语义偏见方面的作用。
- 聚类引导采样在所有采样策略中带来最大的边际增益,表明语义多样性对鲁棒预训练至关重要。
- 该方法在所有8个评估的分割基准上均一致提升性能,证明其广泛适用性和泛化能力。

更好的研究,从现在开始
从阅读论文到最终审阅,大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成,并经人工编辑审核。