Pix2Seq：谷歌大脑提出 CV 任务统一接口！

文 | 青豆

最近一个大趋势就是将各类任务统一在一个大一统框架下。大规模预训练语言模型已成功打通各类文本任务，使得不同的NLP任务上，都可以用这种统一的sequence生成框架作为基础模型，只需要通过prompt的方式，指导模型生成目标结果。

这种大一统的sequence生成框架在NLP任务成功的关键是任务描述和任务输出都可以序列化成text tokens。

但CV任务输入输出都更加多样，那不是得为不同的任务定制不同的模型和损失函数？这也是CV任务大一统框架的瓶颈。

以自然语言为输出的任务，比如image captioning、visual question answering这类任务，天然可以转化为生成text token sequence。但模型的输出形式还存在很多其他的形式，例如bounding box、dense masks等。

Pix2Seq在这样的动机下诞生了：既然输出形式不同是难点，能否将各类输出形式都统一成token sequence？

去年Google Brain提出的Pix2Seq就以目标检测作为出发点，建立Pixel-to-Sequence的映射，探索了这种可能性（戳《图灵奖大佬+谷歌团队，为通用人工智能背书！CV 任务也能用 LM 建模！》）。

目前的Pix2Seq v2进一步统一了四个完全不同的视觉任务：目标检测（object detection）、实例分割（instance segmentation）、人体关键点检测（keypoint detection）、图像描述生成（image captioning），尽管他们的输出可以是bounding boxes，也可以是dense masks，都可以表示成token sequence。

这种离散的、统一化的表示，使得多种CV任务能够统一在一个模型架构或损失函数下。

对单个任务，不再需要对模型或损失函数做定制，而是只需要将任务描述放在prompt中，控制output sequence变成所需要的输出格式。

这种大一统的Pix2Seq框架，已经能够在这四个核心视觉任务上，媲美那些专门为各任务定制的state-of-the-art。

论文题目：
A Unified Sequence Interface for Vision Tasks

论文链接:
https://arxiv.org/abs/2206.07669

背景介绍：4个视觉核心任务

• 目标检测（object detection）：输入是一张图片，输出是所有object的bounding box和class label。
• 实例分割（instance segmentation）：输入是一张图片和其中的objects，输出是对每个object的dense pixel-wise mask。
• 人体关键点检测（keypoint detection）：输入是一张图片和其中的person objects，输出是keypoint坐标点来表示head、eyes等person instances。
• 图像描述生成（image captioning）：输入是一张图片，输出是一句话。

Sequence建模四步走

要将CV任务统一建模成sequence生成，主要包括以下几步：

1. 统一输入输出：Tokenization序列化

输入是一张image；输出是一个离散的token sequence：task prompt + task output，其中task prompt用于描述具体任务（一般是任务指令+additional input tokens），task output是需要model生成的部分，是目标结果的序列化描述。例如对上述四个任务：

• 目标检测（object detection）：task prompt是detect指令，task output包括每个object的bounding box两个坐标点和object label。
• 实例分割（instance segmentation）：task prompt包括segment指令和给定的object instance，task output是segmentation多边形的坐标。
• 人体关键点检测（keypoint detection）：task prompt包括keypoint指令和给定的object instance，task output是一些keypoint坐标点。
• 图像描述生成（image captioning）：task prompt是Describe指令，task output是image caption sentence。

2. 统一损失函数

现在数据变成了统一的image input和sequence output，那么input image可以自然地用一个vision encoder表示（CovNet、Transformer等都可），output sequence可以用一个sequence decoder建模，即给定encoder hidden state和之前生成的sequence，预测下一个token：

这里x代表image，y1:j-1是之前生成的sequence，yj是下一个token。但由于output sequence包括两个部分task prompt和task input，其中task prompt是给定的，不需要生成，因此不需要加到generation loss中。

所以，这里引入wj权重，当yj在task prompt中，wj设置成0，不参与loss计算。

3. 多任务联合训练

由于输入输出形式、损失都是统一的，在优化时可以选择两种联合训练的方式：

（1）直接混合所有数据，随机采样，进行优化：

（2）对各task分别计算loss，然后合并所有task的梯度，优化模型：

第一种更为简单，但涉及到image augmentations对不同output sequence可能是不同的。

同时，第二种可以控制每个task的权重，作者通过贪心策略逐个添加task并调整权重，确定最终的各个task权重。

4. 最终输出：反序列化Detokenization

反序列化就是把token再次数字化，例如对与objection detection，将output token sequence变成5个token一组，每组前4个token代表坐标，第5个token代表object class label。

其中，序列的生成和Pix2Seq第一个版本一样，都采用nucleus sampling。

实验结果

实验的架构和Pix2Seq是一样的，采用了Vision Transformer (ViT-B) encoder和Transformer autoregressive decoder，共有132M的参数。

值得注意的是该论文没有使用大规模图片-文本预训练。模型的初始化来自于Pix2Seq，是在Object Detection数据集上预训练得到的（因此image captioning的结果受限，加入图片-文本数据应该会有提升）。

图片的大小有640x640和1024x1024两种大小。同时作者比较了两个变种：single task单独训练各任务，multi-task会同时一起训练所有任务，即多任务联合训练。

主要的结论包括：

• 该模型在4个任务中都取得了与主流模型相当的效果。
• 多任务训练的影响：并不统一。
• 图片大小的影响：图片越大，结果越好。

结论

这篇工作的模型架构和第一版的Pix2Seq基本一致，重点在于怎样将这种框架adapt到多种不同输出形式的CV任务上。目前对各个CV任务的序列化非常直观简单，但效果却是不错的。

最后的话

大一统模型近期层出不穷，而这种离散的token序列的表示方式，小编认为是非常有希望的一个方向，因为这种方式同时可以尝试把NLP和CV并入一个框架，同时离散token的方式也天然能够加入speech的处理。

因此，小编也很期待这种统一接口可以加入更多模态（modality），例如video、audio等。

小编在读的时候，主要的concern是这种localization真的可以准确吗？这个quantilize和dequantilize的过程把number变成了token，失去精度不准确怎么办？

作者在实验中针对这个问题，也做了简单的处理，对instance segmentation任务，通过nucleus sampling生成多个结果，并取平均。

但对数值化的token表示应该是需要更多思考的，这种token在未来是否可以具备计算能力，也是很有意思的议题。

后台回复关键词【入群】

加入卖萌屋NLP、CV、搜广推与求职讨论群