LISA: Reasoning Segmentation via Large Language Model

Motivation & Abs

现有的感知系统依赖人类的指示，难以主动推理以理解人类意图。

新任务：reasoning segmentation，模型需要根据给定的复杂 / 具有隐含意义的文本输出相应的seg mask。

新的benchmark：包含1000张左右图像的数据集（image-instruction-mask）。

模型：LISA，既有LLM的语言生成能力，又有生成分割mask的能力。训练好的模型在非reasoning的数据集上也有着较强的zs能力，同时仅仅使用少量reasoning data对模型进行ft就可以大幅提升性能。

Reasoning Segmentation

reasoning segmentation相当于更加困难的referring segmentation，查询的文本是更复杂的表达或者更长的句子，涉及到对现实世界知识的推理。数据集：文本为短语和长句子，图像总计1218张，包含239张训练图像，200张验证图像以及779张测试图像。

Method

Architecture

Embedding as Mask. 之前的方法如LLaVA以及BLIP2等仅能接受图片输入同时输出文本，无法输出细粒度的分割mask。VisionLLM提供了一种解决方案，将掩码表示为一系列的多边形顶点，使之能够用文本描述，然而使用多边形序列的端到端训练优化困难，并且可能会损害泛化能力，除非使用大量数据和计算资源。为此，作者提出了使用embedding作为mask的范式从而将分割能力融入LLM，对LLM的词汇表进行扩充，额外添加了<SEG> token， 用来代表输出的分割结果。

给定文本指令\(\hat{y}_{txt}\)以及输入图像\(x_{img}\)，作者将其输入多模态LLM \(\mathcal{F}\)，得到输出\(\hat{y}_{txt}\)（包含<SEG>标记）。同时将SAM image encoder给出的dense feature与<SEG>送入SAM的decoder即可得到分割mask。

损失函数：

这种方式能够支持端到端的训练，比两阶段的方法更加有效。

训练

训练数据形式。

Semantic Set Dataset：训练时对每张图片随机选择几个类别，类别对应的mask为GT。QA模版如同：“USER: <IMAGE> Can you segment the {class name} in this image? ASSISTANT: It is <SEG>.”

Vanilla Referring Segmentation Dataset：数据包含图片和对应物体的文本描述。QA模版：“USER: <IMAGE> Can you segment {description} in this image? ASSISTANT: Sure, it is <SEG>.”

Visual Question Answering Dataset：目的是保持MLLM的VQA能力。

可学习参数。用lora微调LLM，冻住image encoder，训练mask decoder、LLM token embedding、LLM head、projection layer。

为什么不会发生灾难遗忘：训练使用了VQA数据。

实验

Metric: gIoU和cIoU，gIoU 为所有图像IoU的平均值，而 cIoU 由累积并集上的累积交集定义。由于cIoU高度偏向于大面积物体，而且波动太大，所以首选gIoU。