【CVPR2024】Few-Shot Object Detection with Foundation Models

机构：哥伦比亚大学、中佛罗里达大学

论文地址：https://openaccess.thecvf.com/content/CVPR2024/html/Han_Few-Shot_Object_Detection_with_Foundation_Models_CVPR_2024_paper.html

作者简介：Ser-Nam Lim，马里兰大学帕克分校博士学位，2018年-2023年在Meta（前身Facebook）参与计算机视觉、NLP和其他AI领域的研究，研究内容主要是确保航空和电力行业的安全、检测Meta平台上的错误信息，最近专注于AI用于对用户内容的推荐，包括大语言模型（LLM）和计算机视觉交叉点的搜索引擎，2023年秋季加入中佛罗里达大学。代表工作为Visual prompt tuning。

本文主要目的是提高小样本目标检测的精度，用DINOv2预训练的模型作为视觉backbone，使用大语言模型（LLM）来对类别、查询图像这两种输入信息进行上下文小样本学习。使用精心设计的语言指令提示LLM来为每个候选区（proposal）进行分类，所使用的上下文信息包括proposal-proposal关系、proposal-class关系、class-class关系。所提出的FM-FSOD方法在多个FSOD基准数据集上取得了SOTA性能。

文章贡献/创新点

• 文章研究基于基础模型的小样本目标检测，重点关注视觉特征提取和上下文proposal分类。
• 文章使用了基于DINOv2的全Transformer检测框架实现对大量样本和小样本类别的高泛化性。
• 使用大语言模型简化query和support之间的建模，自动学习丰富的上下文信息。
• 在PASCAL VOC和MSCOCO小样本评测基准上取得了SOTA性能。

小样本目标检测（FSOD）任务定义

FSOD任务有基类$C_{base}$和新类$C_{novel}$两种类别，$C=C_{base}\cup C_{novel}$并且$C_{base}\cap C_{novel}=\emptyset$，基类有足够多的样本而新类只有少量样本。对于$K$-shot小样本任务，数据集中的每个新类只有$K$个检测框标注，通常$K=1,3,5,10,30$。

模型结构

模型采用元学习的训练架构，每次训练时会同时向网络输入单个query图片和多个support图片（包含$N$个类别，每个类别$K$个检测框标注，即$N$-way-$K$-shot设置）。模型包含三个子模块，其中视觉特征提取器用于提取query和support的视觉特征，候选框生成器用于从query图片中生成支撑类别感知的proposal，小样本候选框分类基于原型信息来为每个proposal进行分类。

• 支撑类别感知：常规的检测直接提取query图片特征，基于提取的特征进行分类和检测。小样本学习会分别提取query和support图片的特征，并对这两种特征进行交互，得到support类别感知的query特征，将增强后的query特征进行分类和检测。
• 原型：相同类别的目标特征的平均，可以看作某个类别的全局特征。

视觉特征提取器

特征提取器是DINOv2预训练得到的ViT，对于query图片$I_q\in\mathbb R^{H_{I_q}*W_{I_q}*3}$和相应的$N$-way-$K$-shot支撑图片$\left\{\{I_S^{j,i}\}_{i=1}^K\right\}_{j=1}^N$，分别提取特征表示$f_q=\mathcal F(I_q)$和$f_S^{j,i}=\mathcal F(I_S^{j,i})$。

其中支撑集图片特征是为了进一步构建类别原型，因此需要图片中的目标的类别信息和目标对应的特征。目标的类别信息来自真值标注，目标特征使用RoIAlign根据检测框位置标注从$f_S^{j,i}$中切割下来$\overline{f}_S^{j,i}=RoIAlign(f_S^{j,i},box_S^{j,i})$。最后得到$N$个类别，每个类别$K$个特征。将相同类别的特征求平均，得到$N$个类别原型$\{\hat{f}_S^j=\frac{\sum_{i=1}^K\overline{f}_S^{j,i}}{K}\}_{j=1}^N$。

FSOD任务中，类别信息和特征都是针对具体的物体而不是整张图片。如果支撑图片存在多个物体，在输入网络时仅会保留单个标注用于RoIAlign提取特征。

文章选择DINOv2训练的backbone，主要有两个原因：

• DINOv2是仅针对视觉的自监督学习模型，包括全局图像级和局部patch级的两种监督。patch监督会让模型对定位敏感，有助于下游任务。
• DINOv2在大规模数据集上预训练，文章发现微调没有提升性能，因此冻结了全部参数。

这里存在一个问题是，有可能DINOv2在预训练时就已经见过了某些小样本数据，文章对此的解释是，即便DINOv2见过某些小样本数据，将知识从预训练迁移到下游任务也是比较有挑战的。

候选框生成

文章先使用DINOv2提取得到query图片的patch token，将这些特征输入Deformable Transformer Encoder，得到增强后的图片特征。作者计算它与DINOv2提取的类别原型$\{\hat{f}_S^j\}_{j=1}^N$之间的交叉注意力，得到增强后的图片特征。解码器阶段首先生成初始的物体query$Q=\{q_i\}_{i=1}^M$，然后将其送入Transformer Decoder。Deocder每一层都会计算$Q$之间的自注意力、$Q$和图像特征之间的交叉注意力。经过Decoder之后，每个query会通过简单的线性层预测Bounding box坐标，其中query的数量$M=300$。

这里其实就是常规的Deformable DETR做法，只是作者在Encoder阶段增加了图像特征与类别原型之间的交叉注意力，可能是参考了MetaDETR。

小样本候选框分类

上面为每个query预测了bounding box坐标，但没有预测其分类结果。在分类过程上，传统的小样本学习方法是通过设计度量网络来度量proposal和支撑类别之间的相似性，将proposal分类成支撑类别中的某一类或“空”类别。

本文直接提出用大语言模型（LLM）来进行分类。首先为LLM tokenizer增加类别token（<class_1>到<class_80>）和背景类别token（<class_bg>），然后设计了下面语言指令送入大语言模型。

1
2
3
4
5

Please classify each of the proposals in <proposal 1>...<proposal 300>.

Categories Containing, <class 1>: <visual prototype>... <class 80>: <visual prototype>.

If the proposal does not belong to any of these classes, it will be classified as <class bg>.

其中的<proposal_l>替换为DETR提取出的proposal特征，<visual prototype>替换为DINOv2提取的类别原型。这两种特征在送入LLM之前需要使用单独的单层线性层将维度对齐。文章使用Vicuna作为大语言模型，根据上述指令会生成每个proposal相应的<class_id>token，在解码生成的token后，将其与候选框生成部分的预测结果融合，就可以得到最终的检测输出。

训练框架

模型训练分为三个阶段：

• 第一阶段在基类上预训练DINOv2作为backbone的Deformable DETR和，即候选框生成模块。
• 第二阶段，在基类上训练整个模型，其中Deformable DETR和DINOv2用第一阶段的权重进行初始化，LLM用Vicuna模型初始化。模型的损失有两部分，一部分是常规的Deformable DETR回归损失，另一部分是大语言模型的损失。本文首先用二分图匹配将label和proposal进行匹配，将匹配上的label作为proposal的真值。得到真值后，用next-token预测损失去训练大语言模型。
• 第三阶段，在新类上微调模型。文章首先在平衡数据集上（下采样的基类+新类）微调候选区域生成模块（与第一阶段相同），然后用平衡数据集（基类+上采样的新类）去微调LLM（与第二阶段相同）。

新类只有少量数据，而训练大语言模型需要大量样本，因此需要对新类数据进行上采样，扩充其数据量，再和基类组成平衡数据集。上采样方式参考下面论文：

[1] Jiawei Ma, Yulei Niu, Jincheng Xu, Shiyuan Huang, Guangxing Han, and Shih-Fu Chang. Digeo: Discriminative geometry-aware learning for generalized few-shot object detection. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, pages 32083218, 2023. 5, 6, 7

实验结果

FM-FSOD在COCO数据集上测试了两种设置：FSOD和GFSOD。FSOD指仅评测新类上的mAP，GFSOD既评测新类与基类的综合mAP，后者更能强调综合性能。

在FSOD设置下，FM-FSOD在10-shot上性能略低于DE-VIT，在30-shot上性能高于DE-VIT。

在GFSOD设置下，FM-FSOD性能高于DE-VIT。

VOC数据集上FM-FSOD并没有和DE-VIT对比，从和其他方法的对比结果来看，FM-FSOD在$K$较大时性能提升更多，在$K$交小时比Meta-DETR性能差。可能时由于LLM需要较多的训练样本有关，仅通过上采样新类样本并不能充分满足LLM训练的需求。