[[426823]]

本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯(lián)系出處。

長期以來，CNN都是解決目標檢測任務的經典方法。

就算是引入了Transformer的DETR，也是結合CNN來預測最終的檢測結果的。

但現(xiàn)在，Geoffrey Hinton帶領谷歌大腦團隊提出的新框架Pix2Seq，可以完全用語言建模的方法來完成目標檢測。

團隊由圖像像素得到一種對目標對象的“描述”，并將其作為語言建模任務的輸入。然后讓模型去學習并掌握這種“語言”，從而得到有用的目標表示。

最后取得的結果基本與Faster R-CNN、DETR相當，對于小型物體的檢測優(yōu)于DETR，在大型物體檢測上的表現(xiàn)也比Faster R-CNN更好，。

接下來就來具體看看這一模型的架構。

從物體描述中構建序列

Pix2Seq的處理流程主要分為四個部分：

• 圖像增強
• 序列的構建和增強
• 編碼器-解碼器架構
• 目標/損失函數(shù)

首先，Pix2Seq使用圖像增強來豐富一組固定的訓練實例。

然后是從物體描述中構建序列。

一張圖像中常常包含多個對象目標，每個目標可以視作邊界框和類別標簽的集合。

將這些對象目標的邊界框和類別標簽表達為離散序列，并采用隨機排序策略將多個物體排序，最后就能形成一張?zhí)囟▓D像的單一序列。

也就是開頭所提到的對“描述”目標對象的特殊語言。

其中，類標簽可以自然表達為離散標記。

邊界框則是將左上角和右下角的兩個角點的X，Y坐標，以及類別索引c進行連續(xù)數(shù)字離散化，最終得到五個離散Token序列：

研究團隊對所有目標采用共享詞表，這時表大小＝bins數(shù)+類別數(shù)。

這種量化機制使得一個600×600的圖像僅需600bins即可達到零量化誤差，遠小于32K詞表的語言模型。

接下來，將生成的序列視為一種語言，然后引入語言建模中的通用框架和目標函數(shù)。

這里使用編碼器-解碼器架構，其中編碼器用于感知像素并將其編碼為隱藏表征的一般圖像，生成則使用Transformer解碼器。

和語言建模類似，Pix2Seq將用于預測并給定圖像與之前的Token，以及最大化似然損失。

在推理階段，再從模型中進行Token采樣。

為了防止模型在沒有預測到所有物體時就已經結束，同時平衡精確性（AP）與召回率（AR），團隊引入了一種序列增強技術：

這種方法能夠對輸入序列進行增廣，同時還對目標序列進行修改使其能辨別噪聲Token，有效提升了模型的魯棒性。

在小目標檢測上優(yōu)于DETR

團隊選用MS-COCO 2017檢測數(shù)據(jù)集進行評估，這一數(shù)據(jù)集中含有包含11.8萬訓練圖像和5千驗證圖像。

與DETR、Faster R-CNN等知名目標檢測框架對比可以看到：

Pix2Seq在小/中目標檢測方面與Faster R-CNN性能相當，但在大目標檢測方面更優(yōu)。

而對比DETR，Pix2Seq在大/中目標檢測方面相當或稍差，但在小目標檢測方面更優(yōu)。

一作華人

這篇論文來自圖靈獎得主Geoffrey Hinton帶領的谷歌大腦團隊。

一作Ting Chen為華人，本科畢業(yè)于北京郵電大學，2019年獲加州大學洛杉磯分校（UCLA）的計算機科學博士學位。

他已在谷歌大腦團隊工作兩年，目前的主要研究方向是自監(jiān)督表征學習、有效的離散結構深層神經網(wǎng)絡和生成建模。

論文：
https://arxiv.org/abs/2109.10852