該論文作者均來(lái)自于浙江大學(xué)李璽教授團(tuán)隊(duì)，論文第一作者為博士生蘇偉同學(xué)，通訊作者為李璽教授（IET Fellow，國(guó)家杰青）。李璽教授團(tuán)隊(duì)近年來(lái)在國(guó)際權(quán)威期刊（如 TPAMI、IJCV 等）和國(guó)際頂級(jí)學(xué)術(shù)會(huì)議（ICCV、CVPR、ECCV 等）上發(fā)表 180 余篇 CV/AIGC 相關(guān)的研究工作，和國(guó)內(nèi)外知名高校、科研機(jī)構(gòu)廣泛開(kāi)展合作。

作為基礎(chǔ)的視覺(jué)語(yǔ)言任務(wù)，指代表達(dá)理解（referring expression comprehension, REC）根據(jù)自然語(yǔ)言描述來(lái)定位圖中被指代的目標(biāo)。REC 模型通常由三部分組成：視覺(jué)編碼器、文本編碼器和跨模態(tài)交互，分別用于提取視覺(jué)特征、文本特征和跨模態(tài)特征特征交互與增強(qiáng)。

目前的研究大多集中在設(shè)計(jì)高效的跨模態(tài)交互模塊以提升任務(wù)精度，缺少對(duì)視覺(jué)編碼器探索。常見(jiàn)做法是利用在分類、檢測(cè)任務(wù)上預(yù)訓(xùn)練的特征提取器，如 ResNet、DarkNet、Swin Transformer 或 ViT 等。這些模型以滑動(dòng)窗口或劃分 patch 的方式遍歷圖像所有的空間位置來(lái)提取特征，其計(jì)算復(fù)雜度會(huì)隨圖像分辨率快速增長(zhǎng)，在基于 Transformer 的模型中更加明顯。

由于圖像的空間冗余特性，圖像中存在大量低信息量的背景區(qū)域以及與指代表達(dá)無(wú)關(guān)的區(qū)域，以相同的方式在這些區(qū)域提取特征會(huì)增加計(jì)算量但對(duì)有效特征提取沒(méi)有任何幫助。更加高效的方式是提前預(yù)測(cè)圖像區(qū)域的文本相關(guān)性和內(nèi)容的豐富程度，對(duì)文本相關(guān)的前景區(qū)域充分提取特征，對(duì)背景區(qū)域粗略提取特征。對(duì)于區(qū)域預(yù)測(cè)，一個(gè)較為直觀的方式是通過(guò)圖像金字塔來(lái)實(shí)現(xiàn)，在金字塔頂層的粗粒度圖像中提前辨識(shí)背景區(qū)域，之后逐步加入高分辨率的細(xì)粒度前景區(qū)域。

基于以上分析，我們提出了 coarse-to-fine 的迭代感知框架 ScanFormer，在圖像金字塔中逐層 scan，從低分辨率的粗尺度圖像開(kāi)始，逐步過(guò)濾掉指代表達(dá)無(wú)關(guān) / 背景區(qū)域來(lái)降低計(jì)算浪費(fèi)，使模型更多地關(guān)注前景 / 任務(wù)相關(guān)區(qū)域。

• 論文標(biāo)題：ScanFormer: Referring Expression Comprehension by Iteratively Scanning
• 論文鏈接：https://arxiv.org/pdf/2406.18048

方法介紹

一、Coarse-to-fine 迭代感知框架

為簡(jiǎn)化結(jié)構(gòu)，我們采用統(tǒng)一文本和視覺(jué)模態(tài)的 ViLT [1] 模型，并將其沿深度維度分為 Encoder1 和 Encoder2 兩部分以用于不同的任務(wù)。

首先，提取文本特征并將其存入 KV Cache；然后構(gòu)造圖像金字塔并從金字塔頂層依次往下迭代，在每次迭代中，輸入當(dāng)前尺度被選擇的 patch，Encoder1 用于預(yù)測(cè)每個(gè) patch 對(duì)應(yīng)的下一個(gè)尺度的細(xì)粒度 patch 的選擇情況，特別地，頂層圖像的 patch 全部被選上，以保證模型能獲得粗粒度的全圖信息。Encoder2 進(jìn)一步提取特征并基于當(dāng)前尺度的 [cls] token 來(lái)預(yù)測(cè)該尺度的 bounding box。

與此同時(shí)，Encoder1 和 Encoder2 的中間特征會(huì)被存入 KV Cache 以方便被后續(xù)的尺度利用。隨著尺度的增加，細(xì)粒度特征被引入，位置預(yù)測(cè)會(huì)更加準(zhǔn)確，同時(shí)大部分無(wú)關(guān)的 patch 被丟棄以節(jié)省大量計(jì)算。

此外，每個(gè)尺度內(nèi)部的 patch 具有雙向注意力，同時(shí)會(huì)關(guān)注前序尺度所有的 patch 和文本特征。這種尺度間的因果注意力可以進(jìn)一步降低計(jì)算需求。

二、動(dòng)態(tài) patch 選擇

每個(gè) patch 的選擇情況由前一尺度生成的選擇因子決定，對(duì)于應(yīng)用的位置有兩種方案，其一是用于 Encoder 每層 MHSA 的所有 head 中，然而，對(duì)于 N 層 H 頭的 Encoder，很難獲得有效的的梯度信息來(lái)更新，因此學(xué)到的選擇因子不太理想；其二是直接用于 Encoder 的輸入，即 patch embedding 上，由于只用在這一個(gè)位置，因此更容易學(xué)習(xí)，本文最終也采用了此方案。

另外，需要注意的是，即使輸入 patch embedding 被置 0，由于 MHSA 和 FFN 的存在，該 patch 在后續(xù)層的特征仍然會(huì)變?yōu)榉?0 并影響其余 patch 的特征。幸運(yùn)的是，當(dāng) token 序列中存在許多相同 token 時(shí)，可以簡(jiǎn)化 MHSA 的計(jì)算，實(shí)現(xiàn)實(shí)際的推理加速。此外，為了增強(qiáng)模型的靈活性，本文并沒(méi)有直接將 patch embedding 置 0，而是將其替換為一個(gè)可學(xué)習(xí)的常量 token。

因此，patch 的選擇問(wèn)題被轉(zhuǎn)換成 patch 的替換問(wèn)題。patch 選擇的過(guò)程可以分解為常量 token 替換和 token 合并兩步。未被選擇的 patch 會(huì)被替換為同一個(gè)常量 token。由于這些未被選擇的 token 是相同的，根據(jù) scaled dot product attention 的計(jì)算方式，這些 token 可以被合并為一個(gè) token 并乘上總數(shù)，等價(jià)于將加到維度上，因此點(diǎn)積注意力的計(jì)算方式不變，常見(jiàn)的加速方法依舊可用。

實(shí)驗(yàn)結(jié)果

本文方法在 RefCOCO、RefCOCO+、RefCOCOg 和 ReferItGame 四個(gè)數(shù)據(jù)集上取得了和 state-of-the-art 相近的性能。通過(guò)在大規(guī)模數(shù)據(jù)集上預(yù)訓(xùn)練并在具體數(shù)據(jù)集上微調(diào)，模型的性能可以進(jìn)一步大幅提升，并達(dá)到和預(yù)訓(xùn)練模型如 MDETR [2] 和 OFA [3] 等相近的結(jié)果。

在推理速度上，提出的方法達(dá)到了實(shí)時(shí)的推理速度，同時(shí)能保證較高的任務(wù)精度。

此外，實(shí)驗(yàn)部分也對(duì)模型的 patch 選擇情況以及每個(gè)尺度（scale1 和 scale2）定位精度的分布做了統(tǒng)計(jì)。

如左圖所示，隨著尺度的增加，細(xì)粒度的圖像特征被加入，模型精度逐步提升。因此可以嘗試加入早退機(jī)制，在定位精度滿足要求時(shí)及時(shí)退出，避免進(jìn)一步在高分辨率圖像上計(jì)算，實(shí)現(xiàn)根據(jù)樣本自適應(yīng)選擇合適的分辨率的效果。本文也進(jìn)行了一些初步的嘗試，包括加入 IoU、GIoU 和不確定性等預(yù)測(cè)分支，回歸 early exit 的指標(biāo)，但發(fā)現(xiàn)效果不太理想，如何設(shè)計(jì)合適且準(zhǔn)確的 early exit 指標(biāo)有待繼續(xù)探索。

右圖展示了不同尺度的 patch 選擇情況，在所有的尺度上，被選擇的 patch 占均比較小，大部分的 patch 都可以被剔除，因此可以有效地節(jié)省計(jì)算資源。對(duì)于每個(gè)樣本（圖像 + 指代表達(dá)），實(shí)際選擇的 patch 數(shù)量相對(duì)較少，大概占總數(shù)的 65%。

最后，實(shí)驗(yàn)部分展示了一些可視化結(jié)果，隨著尺度的增加（紅→綠→藍(lán)），模型的定位精度逐步提高。另外，根據(jù)由被選擇的 patch 重建的圖像，可以看出模型對(duì)于背景區(qū)域只關(guān)注了粗尺度的信息，對(duì)于相關(guān)的前景區(qū)域，模型能夠關(guān)注細(xì)粒度的細(xì)節(jié)信息。