语言模型“不务正业”做起目标检测，性能还比DETR、Faster R-CNN更好

博雯发自凹非寺
量子位报道 | 公众号 QbitAI

长期以来，CNN都是解决目标检测任务的经典方法。

就算是引入了Transformer的DETR，也是结合CNN来预测最终的检测结果的。

但现在，Geoffrey Hinton带领谷歌大脑团队提出的新框架Pix2Seq，可以完全用语言建模的方法来完成目标检测。

团队由图像像素得到一种对目标对象的“描述”，并将其作为语言建模任务的输入。然后让模型去学习并掌握这种“语言”，从而得到有用的目标表示。

最后取得的结果基本与Faster R-CNN、DETR相当，对于小型物体的检测优于DETR，在大型物体检测上的表现也比Faster R-CNN更好，。

接下来就来具体看看这一模型的架构。

从物体描述中构建序列

Pix2Seq的处理流程主要分为四个部分：

图像增强
序列的构建和增强
编码器-解码器架构
目标/损失函数

首先，Pix2Seq使用图像增强来丰富一组固定的训练实例。

然后是从物体描述中构建序列。

一张图像中常常包含多个对象目标，每个目标可以视作边界框和类别标签的集合。

将这些对象目标的边界框和类别标签表达为离散序列，并采用随机排序策略将多个物体排序，最后就能形成一张特定图像的单一序列。

也就是开头所提到的对“描述”目标对象的特殊语言。

其中，类标签可以自然表达为离散标记。

边界框则是将左上角和右下角的两个角点的X，Y坐标，以及类别索引c进行连续数字离散化，最终得到五个离散Token序列：

研究团队对所有目标采用共享词表，这时表大小＝bins数+类别数。

这种量化机制使得一个600×600的图像仅需600bins即可达到零量化误差，远小于32K词表的语言模型。

接下来，将生成的序列视为一种语言，然后引入语言建模中的通用框架和目标函数。

这里使用编码器-解码器架构，其中编码器用于感知像素并将其编码为隐藏表征的一般图像，生成则使用Transformer解码器。

和语言建模类似，Pix2Seq将用于预测并给定图像与之前的Token，以及最大化似然损失。

在推理阶段，再从模型中进行Token采样。

为了防止模型在没有预测到所有物体时就已经结束，同时平衡精确性（AP）与召回率（AR），团队引入了一种序列增强技术：

这种方法能够对输入序列进行增广，同时还对目标序列进行修改使其能辨别噪声Token，有效提升了模型的鲁棒性。

在小目标检测上优于DETR

团队选用MS-COCO 2017检测数据集进行评估，这一数据集中含有包含11.8万训练图像和5千验证图像。

与DETR、Faster R-CNN等知名目标检测框架对比可以看到：

Pix2Seq在小/中目标检测方面与Faster R-CNN性能相当，但在大目标检测方面更优。

而对比DETR，Pix2Seq在大/中目标检测方面相当或稍差，但在小目标检测方面更优。

一作华人

这篇论文来自图灵奖得主Geoffrey Hinton带领的谷歌大脑团队。

一作Ting Chen为华人，本科毕业于北京邮电大学，2019年获加州大学洛杉矶分校（UCLA）的计算机科学博士学位。

他已在谷歌大脑团队工作两年，目前的主要研究方向是自监督表征学习、有效的离散结构深层神经网络和生成建模。

论文：
https://arxiv.org/abs/2109.10852