CVPR 2024最新论文分享┆YOLO-World:一种实时开放词汇目标检测方法

本文主要是介绍CVPR 2024最新论文分享┆YOLO-World:一种实时开放词汇目标检测方法,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

论文分享简介

本推文主要介绍了CVPR 2024上的一篇论文《YOLO-World: Real-Time Open-Vocabulary Object Detection》,论文的第一作者为Tianheng Cheng和Lin Song,该论文提出了一种开放词汇目标检测的新方法,名为YOLO-World。论文通过引入视觉-语言建模和大规模预训练解决了传统YOLO检测器在固定词汇检测中的局限性。论文提出的YOLO-World模型,通过Re-parameterizable Vision-Language Path Aggregation Network(RepVL-PAN)及区域-文本对比损失,增强了视觉与语言信息的交互,从而在零样本检测中表现出色。该方法在LVIS数据集上实现了35.4 AP,并保持了高效的推理速度,且在多个下游任务中表现优异。推文作者为李杨,审校为朱旺和陆新颖。

论文下载地址:

https://arxiv.org/pdf/2401.17270

开源代码地址:

https://github.com/AILab-CVC/YOLO-World

1. 会议介绍

CVPR(IEEE / CVF Computer Vision and Pattern Recognition Conference)是计算机视觉和模式识别领域最具影响力的国际顶级会议之一。该会议由IEEE计算机学会主办,每年都会吸引全球范围内的研究人员、学者和业界专家参与。自1983年创办以来,CVPR已经发展成为展示和分享计算机视觉、深度学习、图像处理等领域最新研究成果的重要平台。该会议论文具有极高的学术质量和影响力,其接受的论文经过严格的同行评审,并往往代表了该领域的前沿研究。CVPR也是中科院JCR一区TOP会议,CCF-A类会议,发表的论文影响因子极高。CVPR每年吸引大量投稿,其激烈的竞争环境使得入选的论文具有较高的学术影响力。

2. 背景与挑战

目标检测是计算机视觉中一个长期存在且基本的挑战,广泛应用于图像理解、机器人和自动驾驶等领域。尽管深度神经网络的发展已使目标检测取得了显著进展,但现有方法主要处理具有固定词汇的目标检测,即只能检测预定义和标注好的类别,难以应对开放场景中的多样化目标检测。

(1)开放词汇目标检测的挑战:当前的目标检测方法在处理开放场景时面临许多挑战,特别是在计算负担和实际设备部署上的困难。大多数方法在固定类别的检测上表现良好,但在识别新类别时存在局限,尤其是词汇多样性不足且训练数据有限的情况下,模型难以进行泛化。

(2)现有方法的局限性:尽管一些方法尝试通过视觉-语言模型解决开放词汇检测问题,但它们通常依赖于大型且复杂的检测器,难以适应实际应用中的高效部署需求。许多方法在训练小型检测器方面表现欠佳,特别是在大规模数据预训练下,这些方法在实际场景中难以实现实时性。

为解决上述问题,论文提出了YOLO-World,旨在提高YOLO检测器在开放词汇下的检测能力,并通过高效的预训练方案来提升检测器的泛化能力,特别是在大规模数据集下的预训练,使其在零样本检测任务中表现优异。

3. 方法

1 YOLO-World的整体架构

图1展示了YOLO-World的整体架构,其核心是通过视觉-语言跨模态融合实现开放词汇目标检测。YOLO-World基于YOLOv8,使用CLIP预训练的Transformer文本编码器将输入文本转化为文本嵌入,并结合YOLO检测器提取的多尺度图像特征。Re-parameterizable Vision-Language Path Aggregation Network(RepVL-PAN)将YOLO检测器生成的多尺度图像特征与文本编码器生成的文本嵌入结合,生成视觉和语言信息的联合特征表示。RepVL-PAN的设计允许在推理阶段将文本编码器移除,并将预计算的文本嵌入重新参数化为网络权重,以提高推理效率。模型在训练阶段采用区域-文本对比损失优化检测性能,而在推理阶段,YOLO-World使用预编码的离线词汇表,通过“提示-然后-检测”的策略实现高效推理和开词汇目标检测,从而在开放场景下表现出色。

4. 实验结果及可视化

1. 实验结果

表1展示了YOLO-World在LVIS数据集上的零样本检测性能,与其他最新的开词汇目标检测模型相比,YOLO-World表现出卓越的效率和准确性。不同规模的YOLO-World模型(S、M、L)在速度(FPS)和精度(AP)方面均超越了许多大型模型。例如,YOLO-World-L模型在LVIS数据集上达到了35.4的AP,并保持了52.0 FPS的推理速度,明显优于GLIP、Grounding DINO等模型的性能,尤其是在轻量化设计和高效推理上实现了突破。相比于依赖更大模型的DetCLIP,YOLO-World不仅在AP上接近(35.4 vs 34.4),而且推理速度快了约20倍。总的来看,表1的结果表明,YOLO-World在保持较高检测精度的同时,大幅提升了推理速度,尤其适用于实际部署中的实时应用。

1 YOLO-WorldLVIS数据上的零样本评估结果

表2展示了YOLO-World在COCO数据集上与其他YOLO系列模型的比较结果,分别对从头训练和零样本迁移的情况进行了评估。在从头训练的情况下,YOLO-World-L模型的性能达到53.3 AP,优于YOLOv8-L的52.9 AP,展示了其在COCO目标检测上的出色性能。在零样本迁移方面,YOLO-World在不经过额外微调的情况下,表现出了极强的泛化能力,YOLO-World-L模型通过预训练后达到44.4 AP,并通过微调进一步提升至53.3 AP。此外,YOLO-World在保持较高检测性能的同时,也兼顾了推理速度,其推理速度

接近其他高效的YOLO系列模型。表2的结果表明,YOLO-World不仅能够在固定词汇任务中取得良好的结果,还具备强大的零样本迁移能力,适用于广泛的应用场景。

2 YOLO-WorldCOCO数据集上的比较结果

2. 可视化

图2展示了YOLO-World在LVIS数据集上的零样本推理结果,模型能够精准检测出图片中的多种物体,证明了其强大的泛化能力。

2 YOLO-WorldLVIS数据集上的零样本推理结果

图3展示了YOLO-World在自定义词汇下的检测能力,模型能够根据用户定义的词汇进行细粒度的目标检测,显示出其灵活适应不同检测需求的能力。

3 YOLO-World在自定义词汇下的检测结果

图4体现了YOLO-World在指代目标检测中的表现,能够根据用户提供的描述性短语准确定位图片中的相关物体,表明其在跨模态理解方面的卓越性能。

4 YOLO-World在描述性短语下的检测结果

5. 总结

该论文提出了一种面向开放词汇目标检测的高效模型,名为YOLO-World。通过融合视觉和语言模态,提升了YOLO系列检测器在零样本场景中的泛化能力。YOLO-World采用了Re-parameterizable Vision-Language Path Aggregation Network (RepVL-PAN) 和区域-文本对比损失,成功实现了高效的视觉-语义交互,并在大规模数据集上进行了预训练,使其在LVIS和COCO等数据集上的零样本检测和迁移学习任务中表现出色。实验结果表明,YOLO-World不仅在检测精度上超越了许多现有方法,还显著提升了推理速度,具备实际应用中的实时性和部署优势。总体而言,YOLO-World为开放词汇目标检测提供了一种高效且可扩展的解决方案。

这篇关于CVPR 2024最新论文分享┆YOLO-World:一种实时开放词汇目标检测方法的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1145005

相关文章

Java中Arrays类和Collections类常用方法示例详解

《Java中Arrays类和Collections类常用方法示例详解》本文总结了Java中Arrays和Collections类的常用方法,涵盖数组填充、排序、搜索、复制、列表转换等操作,帮助开发者高... 目录Arrays.fill()相关用法Arrays.toString()Arrays.sort()A

Nginx安全防护的多种方法

《Nginx安全防护的多种方法》在生产环境中,需要隐藏Nginx的版本号,以避免泄漏Nginx的版本,使攻击者不能针对特定版本进行攻击,下面就来介绍一下Nginx安全防护的方法,感兴趣的可以了解一下... 目录核心安全配置1.编译安装 Nginx2.隐藏版本号3.限制危险请求方法4.请求限制(CC攻击防御)

python生成随机唯一id的几种实现方法

《python生成随机唯一id的几种实现方法》在Python中生成随机唯一ID有多种方法,根据不同的需求场景可以选择最适合的方案,文中通过示例代码介绍的非常详细,需要的朋友们下面随着小编来一起学习学习... 目录方法 1:使用 UUID 模块(推荐)方法 2:使用 Secrets 模块(安全敏感场景)方法

MyBatis-Plus通用中等、大量数据分批查询和处理方法

《MyBatis-Plus通用中等、大量数据分批查询和处理方法》文章介绍MyBatis-Plus分页查询处理,通过函数式接口与Lambda表达式实现通用逻辑,方法抽象但功能强大,建议扩展分批处理及流式... 目录函数式接口获取分页数据接口数据处理接口通用逻辑工具类使用方法简单查询自定义查询方法总结函数式接口

MySQL深分页进行性能优化的常见方法

《MySQL深分页进行性能优化的常见方法》在Web应用中,分页查询是数据库操作中的常见需求,然而,在面对大型数据集时,深分页(deeppagination)却成为了性能优化的一个挑战,在本文中,我们将... 目录引言:深分页,真的只是“翻页慢”那么简单吗?一、背景介绍二、深分页的性能问题三、业务场景分析四、

MySQL 迁移至 Doris 最佳实践方案(最新整理)

《MySQL迁移至Doris最佳实践方案(最新整理)》本文将深入剖析三种经过实践验证的MySQL迁移至Doris的最佳方案,涵盖全量迁移、增量同步、混合迁移以及基于CDC(ChangeData... 目录一、China编程JDBC Catalog 联邦查询方案(适合跨库实时查询)1. 方案概述2. 环境要求3.

JAVA中安装多个JDK的方法

《JAVA中安装多个JDK的方法》文章介绍了在Windows系统上安装多个JDK版本的方法,包括下载、安装路径修改、环境变量配置(JAVA_HOME和Path),并说明如何通过调整JAVA_HOME在... 首先去oracle官网下载好两个版本不同的jdk(需要登录Oracle账号,没有可以免费注册)下载完

SpringSecurity整合redission序列化问题小结(最新整理)

《SpringSecurity整合redission序列化问题小结(最新整理)》文章详解SpringSecurity整合Redisson时的序列化问题,指出需排除官方Jackson依赖,通过自定义反序... 目录1. 前言2. Redission配置2.1 RedissonProperties2.2 Red

MySQL 多列 IN 查询之语法、性能与实战技巧(最新整理)

《MySQL多列IN查询之语法、性能与实战技巧(最新整理)》本文详解MySQL多列IN查询,对比传统OR写法,强调其简洁高效,适合批量匹配复合键,通过联合索引、分批次优化提升性能,兼容多种数据库... 目录一、基础语法:多列 IN 的两种写法1. 直接值列表2. 子查询二、对比传统 OR 的写法三、性能分析

Spring Boot spring-boot-maven-plugin 参数配置详解(最新推荐)

《SpringBootspring-boot-maven-plugin参数配置详解(最新推荐)》文章介绍了SpringBootMaven插件的5个核心目标(repackage、run、start... 目录一 spring-boot-maven-plugin 插件的5个Goals二 应用场景1 重新打包应用