©作者 | 韩聪

单位 | 美团

针对开放字典的语义分割任务，目前常用的方法有两种 coupled one-pass（例如 OpenSeg）和 decoupled multi-pass（例如 SimBaseline, ZegFormer, OVSeg 等），这两者的结构图可以分别对应图 1(a) 和 (b)。

耦合 (coupled) 方式直接在可见类别上训练特征提取器并得到 class-agnostic masks，然后得到基于区域的分类特征，但特征的泛化性无法保证。解耦 (decoupled) 方式利用 Maskformer/SAM 等得到 class-agnostic masks，然后将生成的 mask 和预训练的视觉语言模型（CLIP 等）结合，从而完成分割任务。

论文地址：

代码地址：

本文方法

在该任务中，我们认为使用预训练的视觉语言模型 (CLIP) 来保证视觉和文本特征的对齐是非常必要的，因此我们会保留预训练的 CLIP 模型，然而直接将 masks 和经过 CLIP 的视觉特征结合进行分类效果又很差。为解决这一问题，本文提出 decoupled one-pass network，可以将 masks 作用于改进 CLIP 得到的视觉特征获取分类特征，能够在性能上超越现有方法，同时在推理速度上有 4-7 倍的提升。 

本文首先提出了 Generalized Patch Severance (GPS) 方法，通过改进 CLIP 视觉模型，获得更适合分割任务的视觉特征，能够直接将 masks 和视觉特征融合，获取良好的分类特征。Generalized Patch Severance 是针对分割任务，对 CLIP 视觉模型进行的改进，是完全 training-free，可以和所有的提取 mask 的模型结合，比如 Mask2former、SAM、MaskDINO 等，更好的 mask 分割模型，也会获得更好的分类结果。 

在此基础上，本文又提出可训练的网络结构 Classification Anchor Learning (CAL)，使用 masks 作为引导，并添加可学习网络，从 CLIP 的视觉特征中获取更多的有助于分类的信息。 

本文提出方法的整体结构如图所示：

实验结果

open-vocabulary 设定下，数据集内划分 seen/unseen 类别结果：

在跨数据集设定下，实验结果：

可视化分割效果：

#投 稿 通 道#

 让你的文字被更多人看到 

如何才能让更多的优质内容以更短路径到达读者群体，缩短读者寻找优质内容的成本呢？答案就是：你不认识的人。

总有一些你不认识的人，知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁，促使不同背景、不同方向的学者和学术灵感相互碰撞，迸发出更多的可能性。 

PaperWeekly 鼓励高校实验室或个人，在我们的平台上分享各类优质内容，可以是最新论文解读，也可以是学术热点剖析、科研心得或竞赛经验讲解等。我们的目的只有一个，让知识真正流动起来。

📝 稿件基本要求：

• 文章确系个人原创作品，未曾在公开渠道发表，如为其他平台已发表或待发表的文章，请明确标注 

• 稿件建议以 markdown 格式撰写，文中配图以附件形式发送，要求图片清晰，无版权问题

• PaperWeekly 尊重原作者署名权，并将为每篇被采纳的原创首发稿件，提供业内具有竞争力稿酬，具体依据文章阅读量和文章质量阶梯制结算

📬 投稿通道：

• 投稿邮箱：[email protected] 

• 来稿请备注即时联系方式（微信），以便我们在稿件选用的第一时间联系作者

• 您也可以直接添加小编微信（pwbot02）快速投稿，备注：姓名-投稿

△长按添加PaperWeekly小编

🔍

现在，在「知乎」也能找到我们了

进入知乎首页搜索「PaperWeekly」

点击「关注」订阅我们的专栏吧