InstructSeg (arXiv preprint)

 

 

Abstract

https://arxiv.org/abs/2412.14006

 

 

Figure 1: Newly defined Instructed Visual Segmentation(IVS).

 

• image와 video domain의 referring task와 reasoning task를 합쳐 Instructed Visual Segmentation(IVS) task로 통합했다.
• 이를 해결할 수 있는 InstructSeg 모델을 제안한다. 
• vision-guided multi-granularity text fusion을 도입해서 global and detailed text information을 fine-grained visual guidance와 integrate한다.
• Github repository: https://github.com/congvvc/InstructSeg

 

 

Motivation

Table 1: The comparison of capabilities of different methods.

여러 비슷한 task들 (RES, RVOS, ReasonSeg, ReVOS)를 묶어서 IVS를 만든다(Fig. 1) 참조.

 

이를 풀 수 있는 InstructSeg 모델을 제안하는데, 여기에는 두 가지 meticulous detail이 포함되어 있다:

• Object-aware Video Perceiver
• Vision-guided Multi-granularity Text Fusion

Object-aware perceiver는 temporal, object information을 reference frame에서 extract한다.

Vision-guided Multi-granularity Text Fusion은 긴 text instruction과 complex scenario를 이해할 수 있도록 한다.

 

 

Methods

Figure 2: Framework of InstructSeg.

 

주요 component는 다음과 같다:

• MLLM(CLIP 포함)
• Visual Encoder
• Object-aware Video Perceiver(OVP)
• Segmentation Decoder 
• Vision-guided Multi-granularity Text Fusion(VMTF)

input은 video sequence $V_r$, language instruction $E$가 있다. 

 

먼저 CLIP encoder가 모든 visual input을 global image feature로 변환한다. object-aware video perceiver는 reference frame과 text token을 가지고 fixed-length token을 generate한다. 

 

LLM은 네 종류의 input으로 feed된다: visual tokens(image or key frame), text tokens, compressed tokens from referenced frames, mask tokens.

 

Object-aware Video Perceiver

VISA의 경우 off-the-shelf model에 dependency가 강하다는 문제가 있다. 여러 module들을 사용할 경우 error acculmulation이 될 수 있다.

 

이 문제를 tackle하기 위해, Object-aware Video Perceiver(OVP)를 제안하는데, 이는 text guide로부터 both temporal and object-specific information을 reference frame으로부터 extract한다. 

 

Figure 3: Illustration of Object-aware Video Perceiver(OVP).

 

$T_r$ reference frames $V_r = \{I_r^t\}^{T_r}_{t=1}$와 text tokens $E$에 대해서, CLIP encoder $F_{CLIP}$을 가지고 frame-level visual feature를 $f^t_r$를 extract한다. 이를 $N_1$개의 perceiver layer를 통해서 learnable queries $Q$로 integrate한다.

 

$$ \begin{align} & f^t_r = F_{CLIP}(I^t_r) \\ & Q^t = \text{CrossAttn}(Q, Concat[F_p(f^t_r), \mathcal{E}]) \end{align}$$

→ 식을 보면 history가 들어가는 건 아니고, 각 frame마다 independent하게 들어가는듯?

 

이후 모든 reference tokens $Q^t$를 time dimension에서 concat해서 general reference token $Q_r$을 얻는다. 이를 LLM에 text, visual token과 함께 feed해서 temporal coherency를 얻는다.

 

$$ \begin{align} &f_v = F_{CLIP}(\mathcal{V}) \\ &E=F_{LLM}(F_p(f_v), Q_r, \mathcal{E}, M) \end{align} $$

 

여기의 $E$는 detailed text embedding $E_d$, mask embedding $E_m$으로 구성되어 있다. 이는 다시 VMTF module에 feed된다.

 

 

Vision-guided Multi-granularity Text Fusion(VMTF)

Figure 4: The structure of the Vision-guided Multi-granularity Text Fusion(VMTF) module.

 

여기서 한 가지 더 지적하는 것은, 기존 method[2,3,4]들이 text token을 pool함으로써 detailed text information을 잃는다고 주장한다. 

 

여기서는 VMTF를 만들어서 global and detailed information을 multi-granularity로 추출하여 사용함으로써 text intention에 더 잘 align되는 text embedding을 만들 수 있다고 설명한다.

 

구조는 Fig. 4에 제시되어 있는데, text embedding $E_d$가 있을 때, adaptive average pooling으로 global text embedding $E_g$를 얻는다. 그 다음 $N_2$개의 cross attention layer와 FFN layer로 $E_g, E_d$를 $[f_{img}, E_g]$와 함께 넣는다. 이를 통해 multi-granularity text embedding $E_v$를 얻는다. 

 

→ 구조가 난해하네.. 왜 이렇게 했을까? 이미 LLM의 inference를 거쳐서 답이 나온 걸 또 다시 만질 필요가 있나?  

 

 

Mask Decoding and Training Objectives

segmentation decoder $F_{decoder}$는 mask $m$과 corresponding mask score $s$를 predict한다. 이때 input은 fine-grained visual feature $f_{img}$, VMTF로 얻은 multi-granularity text embedding $E_v$, LLM으로 얻은 mask embedding $E_m$이다. 즉,

$$ \{m_j, s_j\}^N_{j=1} = F_{decoder} (f_{img}, E_v, E_m)$$

의 형태로 나타날 수 있다. 

 

Training objectives

InstructSeg는 다음 loss를 가지고 end-to-end로 train된다:

$$ \mathcal{L} =  \mathcal{L}_t + λ_{cls} \mathcal{L}_{cls} + λ_{mask}\mathcal{L}_{mask}$$

$$ \mathcal{L}_{mask} = λ_b\mathcal{L}_b + λ_d\mathcal{L}_d $$

 

$\mathcal{L}_t$는 autoregressive cross-entropy loss, $\mathcal{L}_{cls}$는 cross-entropy loss, $\mathcal{L}_b$는 per-pixel binary cross-entropy loss, $\mathcal{L}_d$는 mask에 대한 DICE loss이다.

 

 

Experiments

Mipha-3B(LLM), Swin-B(visual encoder), Mask2Former(segmentation decoder) 사용했다.

 

 

Table 2: Comparison with the state-of-the-art models on the refCOCO/+/g and ReasonSeg.

Tab. 2는 image domain의 referring과 reasoning question에 대한 결과이다. 모든 task에서 SOTA임을 확인할 수 있다.

 

Table 3: Comparison with the SOTA models on ReVOS.

Tab. 3은 ReVOS benchmark에서의 결과인데, 꽤 큰 gap으로 앞서는 것을 볼 수 있다. 

 

→ 근데 이건 좀 곤란한 table인게 backbone이 달라서 Mipha가 좋은건지... InstructSeg가 좋은건지..

 

 

 

Figure 4: Results of RVOS benchmarks.

 

Figure 5: The performance comparison of InstructSeg on multimodal benchmarks.

→ Fig. 5는 신기한데, text generation performance에 degradation이 없다. 

 

 

 

Ablation Studies

Table 6: Ablation on the core components of InstructSeg.

Tab. 6을 보면 별 성능 차이가 없다. 뭐지? 

 

왜 이렇게 성능이 좋은거야? 아마 이전에 VISA에서 decoding할 때 쓰는 외부 module이 엄청 큰 bottleneck이었을 수도 있고.. 여기에 쓰는 SAM이 bottleneck이 될 수도 있을 것 같다.. 뭐가 문제였을까? 좀 더 고민해봐야 할 듯. 일단 end-to-end라는 점이 확실히 크긴 한가보다.

 

Table 7: The performance comparison on video segmentation tasks with different number $T_r$ of reference frames in OVP.

reference frame이 있다는 게 중요한 듯

 

 

Table 8: Ablation of different text fusion strategy.

 

 

 

Discussion

* 내가 못 본 건지 모르겠는데 keyframe하고 reference frame의 sampling 방식이 나와있지 않다. 중요한 부분인데..

-> 코드 확인해봤는데 그냥 주변 4개 frame 뽑아오는거임 (https://github.com/congvvc/InstructSeg/blob/main/instructseg/eval/seg/eval_revos.py) line 135 참조 

 

* 성능이 엄청 좋은데 ablations를 보면 OVP하고 VMTF 덕은 아니다. 어디가 달라서 이런 결과가 나왔을까?

* detail이 많이 빠져있는 논문

 

 

---

References

[2] LISA

[3] VISA

[4] PixelLM

Footnotes