RegionCLIP网络结构解析 Region-based Language-Image Pretraining

本文主要是介绍RegionCLIP网络结构解析 Region-based Language-Image Pretraining,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!

1、简单介绍

主要是关注目标检测方面的工作,现在纯CV已经前景黯淡,即使前段时间的YOLOv9发布也是关注一般。
现在大模型已成热点,而大模型要求的数据量和算力和算法复杂度,显然让很多人却步。但是具有大模型特点的多模态算法也算是研究的趋势,所以目前主要是关注多模态方面的目标检测工作。

其中目标检测领域,目前和多模态相关的主要是 开集、开放词汇、描述性目标检测以及情景理解等。相关的研究工作已经越来越多,这里权当学习记录。

RegionCLIP作为OVD检测算法,也是具有一定的代表性。

RegionCLIP的官方网址:https://github.com/microsoft/RegionCLIP
RegionCLIP的论文网址:https://arxiv.org/pdf/2112.09106.pdf

在这里插入图片描述

文章概述(摘自GitHub):

我们提出了 RegionCLIP,它显着扩展了 CLIP 以学习区域级的视觉表示。RegionCLIP支持图像区域和文本概念之间的细粒度对齐,从而支持基于区域的推理任务,包括零样本对象检测和开放词汇对象检测。

①预训练:我们利用 CLIP 模型将图像区域与模板标题进行匹配,然后预训练模型以对齐这些区域-文本对。

②零样本推理:预训练后,学习区域表示支持用于对象检测的零样本推理。

③迁移学习:学习的 RegionCLIP 模型可以通过额外的对象检测注释进一步微调,从而允许我们的模型用于完全监督或开放词汇的对象检测。

④结果:我们的方法展示了零样本目标检测和开放词汇目标检测的最新结果。

在这里插入图片描述

概括一下:核心思想就是把之前 图像特征和文本特征匹配的方式 聚焦到了 图像的局部区域特征 和文本特征的匹配

2、网络结构

大致看了代码,RegionCLIP是基于detectron2写的,包括预训练模型的训练和Fast RCNN结构的网络

2.1 预训练配置:

在这里插入图片描述
可以看到,这个预训练模型的结构是 PretrainFastRCNN
代码在
在这里插入图片描述
可以看到他的forward函数:

	def forward(self, batched_inputs: List[Dict[str, torch.Tensor]]):if not self.training:return self.inference(batched_inputs)gt_instances = Nonelosses = {}# localization branch: offline modules to get the region proposalsproposals = self.get_region_proposals(batched_inputs)global_proposals = self.create_global_proposals(batched_inputs)# recognition branch: get 2D feature maps using the backbone of recognition branch and extract region featuresimages = self.preprocess_image(batched_inputs)features = self.backbone(images.tensor)region_feats = self.get_region_features(images, features, proposals, gt_instances)global_feats = self.get_region_features(images, features, global_proposals, gt_instances)# image-text level matchingif self.img_txt_level:self.image_text_matching(batched_inputs, proposals, region_feats, losses, global_feats=global_feats)# region-concept level matchingif self.concept_emb is not None:self.region_concept_matching(images, proposals, gt_instances, region_feats, losses)return losses

从上可以看到区域选取是通过 self.get_region_proposals(batched_inputs) 实现的 ,

self.get_region_features(images, features, proposals, gt_instances) 这个是获取区域图像的特征

self.region_concept_matching(images, proposals, gt_instances, region_feats, losses) 是 区域图像特征和文本特征匹配的

2.2 CLIPFastRCNN 结构

如下配置文件,可以看到整体的网络配置
在这里插入图片描述

class CLIPFastRCNN(nn.Module):"""Fast R-CNN style where the cropping is conducted on feature maps instead of raw images.It contains the following two components: 1. Localization branch: pretrained backbone+RPN or equivalent modules, and is able to output object proposals2. Recognition branch: is able to recognize zero-shot regions"""@configurabledef __init__(self,*,offline_backbone: Backbone,backbone: Backbone,offline_proposal_generator: nn.Module,language_encoder: nn.Module, roi_heads: nn.Module,pixel_mean: Tuple[float],pixel_std: Tuple[float],input_format: Optional[str] = None,vis_period: int = 0,clip_crop_region_type: str = 'GT',use_clip_c4: False,use_clip_attpool: False,offline_input_format: Optional[str] = None,offline_pixel_mean: Tuple[float],offline_pixel_std: Tuple[float],):

这是定义的 CLIPFastRCNN 的初始内容,包含要传递的参数模块
其中backbone 是 build_clip_resnet_backbone,这个可以在如下找到

def build_backbone(cfg, input_shape=None):"""Build a backbone from `cfg.MODEL.BACKBONE.NAME`.Returns:an instance of :class:`Backbone`"""if input_shape is None:input_shape = ShapeSpec(channels=len(cfg.MODEL.PIXEL_MEAN))backbone_name = cfg.MODEL.BACKBONE.NAMEbackbone = BACKBONE_REGISTRY.get(backbone_name)(cfg, input_shape)assert isinstance(backbone, Backbone)return backbone

也就是通过 cfg.MODEL.BACKBONE.NAME 来定位到定义的backbone,如下:
在这里插入图片描述

可以看到,最终返回一个 ModifiedResNet

其中用了配置文件中的 MODEL.BACKBONE.FREEZE_ATMODEL.RESNETS.OUT_FEATURESMODEL.RESNETS.DEPTH具体如下:

def build_clip_resnet_backbone(cfg, input_shape):"""Create a CLIP-version ResNet instance from config.Returns:ModifiedResNet: a :class:`ModifiedResNet` instance."""# port standard ResNet config to CLIP ModifiedResNetfreeze_at           = cfg.MODEL.BACKBONE.FREEZE_ATout_features        = cfg.MODEL.RESNETS.OUT_FEATURESdepth               = cfg.MODEL.RESNETS.DEPTH# num_groups          = cfg.MODEL.RESNETS.NUM_GROUPS# width_per_group     = cfg.MODEL.RESNETS.WIDTH_PER_GROUP# bottleneck_channels = num_groups * width_per_group# in_channels         = cfg.MODEL.RESNETS.STEM_OUT_CHANNELS# out_channels        = cfg.MODEL.RESNETS.RES2_OUT_CHANNELS# stride_in_1x1       = cfg.MODEL.RESNETS.STRIDE_IN_1X1# res5_dilation       = cfg.MODEL.RESNETS.RES5_DILATION# deform_on_per_stage = cfg.MODEL.RESNETS.DEFORM_ON_PER_STAGE# deform_modulated    = cfg.MODEL.RESNETS.DEFORM_MODULATED# deform_num_groups   = cfg.MODEL.RESNETS.DEFORM_NUM_GROUPSnum_blocks_per_stage = {18: [2, 2, 2, 2],34: [3, 4, 6, 3],50: [3, 4, 6, 3],101: [3, 4, 23, 3],152: [3, 8, 36, 3],200: [4, 6, 10, 6], # flag for ResNet50x4}[depth]vision_layers = num_blocks_per_stagevision_width = {50: 64,101: 64,200: 80, # flag for ResNet50x4}[depth]  # cfg.MODEL.RESNETS.STEM_OUT_CHANNELS# default configs of CLIP ModifiedResNet, but not used if only building ModifiedResNet as backboneembed_dim = {50: 1024,101: 512,200: 640, # flag for ResNet50x4}[depth] vision_heads = vision_width * 32 // 64image_resolution = {50: 224,101: 224,200: 288, # flag for ResNet50x4}[depth] # if combine {ModifiedResNet of CLIP, C4, text emb as classifier}, then has to use att_pool to match dimensioncreate_att_pool = True if (cfg.MODEL.ROI_HEADS.NAME in ['CLIPRes5ROIHeads', 'CLIPStandardROIHeads'] and cfg.MODEL.CLIP.USE_TEXT_EMB_CLASSIFIER)\or cfg.MODEL.ROI_HEADS.NAME == 'PretrainRes5ROIHeads' else Falsereturn ModifiedResNet(layers=vision_layers, output_dim=embed_dim,heads=vision_heads,input_resolution=image_resolution,width=vision_width,out_features=out_features, freeze_at=freeze_at,depth=depth,pool_vec=False,create_att_pool=create_att_pool,)

继续看 CLIPFastRCNN ,其中 @classmethod ----- 类方法让类模板具有记忆力,用@classmethod描述类方法,然后用"cls"代表本类。

    @classmethoddef from_config(cls, cfg):# create independent backbone & RPNif cfg.MODEL.CLIP.CROP_REGION_TYPE == "RPN": # create offline cfg for the pretrained backbone & RPNfrom detectron2.config import get_cfgoffline_cfg = get_cfg()offline_cfg.merge_from_file(cfg.MODEL.CLIP.OFFLINE_RPN_CONFIG)if cfg.MODEL.CLIP.OFFLINE_RPN_LSJ_PRETRAINED: # large-scale jittering (LSJ) pretrained RPNoffline_cfg.MODEL.BACKBONE.FREEZE_AT = 0 # make all fronzon layers to "SyncBN"offline_cfg.MODEL.RESNETS.NORM = "SyncBN" # 5 resnet layersoffline_cfg.MODEL.FPN.NORM = "SyncBN" # fpn layersoffline_cfg.MODEL.RPN.CONV_DIMS = [-1, -1] # rpn layersif cfg.MODEL.CLIP.OFFLINE_RPN_NMS_THRESH:offline_cfg.MODEL.RPN.NMS_THRESH = cfg.MODEL.CLIP.OFFLINE_RPN_NMS_THRESH  # 0.9if cfg.MODEL.CLIP.OFFLINE_RPN_POST_NMS_TOPK_TEST:offline_cfg.MODEL.RPN.POST_NMS_TOPK_TEST = cfg.MODEL.CLIP.OFFLINE_RPN_POST_NMS_TOPK_TEST # 1000# create offline backbone and RPNoffline_backbone = build_backbone(offline_cfg)offline_rpn = build_proposal_generator(offline_cfg, offline_backbone.output_shape())# convert to evaluation modefor p in offline_backbone.parameters(): p.requires_grad = Falsefor p in offline_rpn.parameters(): p.requires_grad = Falseoffline_backbone.eval()offline_rpn.eval()# region proposals are ground-truth boxeselif cfg.MODEL.CLIP.CROP_REGION_TYPE == "GT":offline_backbone = Noneoffline_rpn = Noneoffline_cfg = Nonebackbone = build_backbone(cfg)# build language encoderif cfg.MODEL.CLIP.GET_CONCEPT_EMB: # extract concept embeddingslanguage_encoder = build_clip_language_encoder(cfg)else:language_encoder = Noneroi_heads = build_roi_heads(cfg, backbone.output_shape())return {"offline_backbone": offline_backbone,"offline_proposal_generator": offline_rpn, "backbone": backbone,"language_encoder": language_encoder, "roi_heads": roi_heads, "input_format": cfg.INPUT.FORMAT,"vis_period": cfg.VIS_PERIOD,"pixel_mean": cfg.MODEL.PIXEL_MEAN,"pixel_std": cfg.MODEL.PIXEL_STD,"clip_crop_region_type" : cfg.MODEL.CLIP.CROP_REGION_TYPE,"use_clip_c4": cfg.MODEL.BACKBONE.NAME == "build_clip_resnet_backbone","use_clip_attpool": cfg.MODEL.ROI_HEADS.NAME in ['CLIPRes5ROIHeads', 'CLIPStandardROIHeads'] and cfg.MODEL.CLIP.USE_TEXT_EMB_CLASSIFIER,"offline_input_format": offline_cfg.INPUT.FORMAT if offline_cfg else None,"offline_pixel_mean": offline_cfg.MODEL.PIXEL_MEAN if offline_cfg else None,"offline_pixel_std": offline_cfg.MODEL.PIXEL_STD if offline_cfg else None,}

从上面可以看到 backbone ,language_encoder,roi_heads 构建相应的模块,基本上CLIPFastRCNN 的模块都在里面了。不过里面的 offline_backbone 让我疑惑,不知道这个是如何起作用的,发挥什么功能?我判断是加载离线模型 就是做过预训练的模型,用来生成proposals的,感觉这段代码不太好看,而且后面也不清晰怎么处理的。

还可以进一步看forward函数,直观了解数据处理:

    def forward(self, batched_inputs: List[Dict[str, torch.Tensor]]):"""Args:batched_inputs: a list, batched outputs of :class:`DatasetMapper` .Each item in the list contains the inputs for one image.For now, each item in the list is a dict that contains:* image: Tensor, image in (C, H, W) format.* instances (optional): groundtruth :class:`Instances`* proposals (optional): :class:`Instances`, precomputed proposals.Other information that's included in the original dicts, such as:* "height", "width" (int): the output resolution of the model, used in inference.See :meth:`postprocess` for details.Returns:list[dict]:Each dict is the output for one input image.The dict contains one key "instances" whose value is a :class:`Instances`.The :class:`Instances` object has the following keys:"pred_boxes", "pred_classes", "scores", "pred_masks", "pred_keypoints""""if not self.training:return self.inference(batched_inputs)if "instances" in batched_inputs[0]:gt_instances = [x["instances"].to(self.device) for x in batched_inputs]else:gt_instances = None# localization branch: offline modules to get the region proposalswith torch.no_grad():  if self.clip_crop_region_type == "GT":  # from ground-truthproposals = []for r_i, b_input in enumerate(batched_inputs): this_gt = copy.deepcopy(b_input["instances"])  # Instancegt_boxes = this_gt._fields['gt_boxes'].to(self.device)this_gt._fields = {'proposal_boxes': gt_boxes, 'objectness_logits': torch.ones(gt_boxes.tensor.size(0)).to(self.device)}proposals.append(this_gt)                elif self.clip_crop_region_type == "RPN": # from the backbone & RPN of standard Mask-RCNN, trained on base classesif self.offline_backbone.training or self.offline_proposal_generator.training:  #  was set to True in training scriptself.offline_backbone.eval() self.offline_proposal_generator.eval()  images = self.offline_preprocess_image(batched_inputs)features = self.offline_backbone(images.tensor)if self.offline_proposal_generator is not None:proposals, _ = self.offline_proposal_generator(images, features, None)     # recognition branch: get 2D feature maps using the backbone of recognition branchimages = self.preprocess_image(batched_inputs)features = self.backbone(images.tensor)# Given the proposals, crop region features from 2D image features and classify the regionsif self.use_clip_c4: # use C4 + resnet weights from CLIPif self.use_clip_attpool: # use att_pool from CLIP to match dimension_, detector_losses = self.roi_heads(images, features, proposals, gt_instances, res5=self.backbone.layer4, attnpool=self.backbone.attnpool)else: # use mean pool_, detector_losses = self.roi_heads(images, features, proposals, gt_instances, res5=self.backbone.layer4)else:  # regular detector settingif self.use_clip_attpool: # use att_pool from CLIP to match dimension_, detector_losses = self.roi_heads(images, features, proposals, gt_instances, attnpool=self.backbone.bottom_up.attnpool)else: # use mean pool_, detector_losses = self.roi_heads(images, features, proposals, gt_instances)if self.vis_period > 0:storage = get_event_storage()if storage.iter % self.vis_period == 0:self.visualize_training(batched_inputs, proposals)#visualize_proposals(batched_inputs, proposals, self.input_format)losses = {}losses.update(detector_losses)return losses

可以看到数据输入 batched_inputs 的处理,features = self.backbone(images.tensor) 这一步完成特征提取,features里包含了文本特征,后续进入 roi_heads 进行损失计算。

以上就是RegionCLIP的 CLIPFastRCNN 的网络结构对应代码解析。

这篇关于RegionCLIP网络结构解析 Region-based Language-Image Pretraining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/875525

相关文章

IDEA与JDK、Maven安装配置完整步骤解析

《IDEA与JDK、Maven安装配置完整步骤解析》:本文主要介绍如何安装和配置IDE(IntelliJIDEA),包括IDE的安装步骤、JDK的下载与配置、Maven的安装与配置,以及如何在I... 目录1. IDE安装步骤2.配置操作步骤3. JDK配置下载JDK配置JDK环境变量4. Maven配置下

Python中配置文件的全面解析与使用

《Python中配置文件的全面解析与使用》在Python开发中,配置文件扮演着举足轻重的角色,它们允许开发者在不修改代码的情况下调整应用程序的行为,下面我们就来看看常见Python配置文件格式的使用吧... 目录一、INI配置文件二、YAML配置文件三、jsON配置文件四、TOML配置文件五、XML配置文件

Spring中@Lazy注解的使用技巧与实例解析

《Spring中@Lazy注解的使用技巧与实例解析》@Lazy注解在Spring框架中用于延迟Bean的初始化,优化应用启动性能,它不仅适用于@Bean和@Component,还可以用于注入点,通过将... 目录一、@Lazy注解的作用(一)延迟Bean的初始化(二)与@Autowired结合使用二、实例解

C语言中自动与强制转换全解析

《C语言中自动与强制转换全解析》在编写C程序时,类型转换是确保数据正确性和一致性的关键环节,无论是隐式转换还是显式转换,都各有特点和应用场景,本文将详细探讨C语言中的类型转换机制,帮助您更好地理解并在... 目录类型转换的重要性自动类型转换(隐式转换)强制类型转换(显式转换)常见错误与注意事项总结与建议类型

MySQL 缓存机制与架构解析(最新推荐)

《MySQL缓存机制与架构解析(最新推荐)》本文详细介绍了MySQL的缓存机制和整体架构,包括一级缓存(InnoDBBufferPool)和二级缓存(QueryCache),文章还探讨了SQL... 目录一、mysql缓存机制概述二、MySQL整体架构三、SQL查询执行全流程四、MySQL 8.0为何移除查

在Rust中要用Struct和Enum组织数据的原因解析

《在Rust中要用Struct和Enum组织数据的原因解析》在Rust中,Struct和Enum是组织数据的核心工具,Struct用于将相关字段封装为单一实体,便于管理和扩展,Enum用于明确定义所有... 目录为什么在Rust中要用Struct和Enum组织数据?一、使用struct组织数据:将相关字段绑

使用Java实现一个解析CURL脚本小工具

《使用Java实现一个解析CURL脚本小工具》文章介绍了如何使用Java实现一个解析CURL脚本的工具,该工具可以将CURL脚本中的Header解析为KVMap结构,获取URL路径、请求类型,解析UR... 目录使用示例实现原理具体实现CurlParserUtilCurlEntityICurlHandler

深入解析Spring TransactionTemplate 高级用法(示例代码)

《深入解析SpringTransactionTemplate高级用法(示例代码)》TransactionTemplate是Spring框架中一个强大的工具,它允许开发者以编程方式控制事务,通过... 目录1. TransactionTemplate 的核心概念2. 核心接口和类3. TransactionT

数据库使用之union、union all、各种join的用法区别解析

《数据库使用之union、unionall、各种join的用法区别解析》:本文主要介绍SQL中的Union和UnionAll的区别,包括去重与否以及使用时的注意事项,还详细解释了Join关键字,... 目录一、Union 和Union All1、区别:2、注意点:3、具体举例二、Join关键字的区别&php

Spring IOC控制反转的实现解析

《SpringIOC控制反转的实现解析》:本文主要介绍SpringIOC控制反转的实现,IOC是Spring的核心思想之一,它通过将对象的创建、依赖注入和生命周期管理交给容器来实现解耦,使开发者... 目录1. IOC的基本概念1.1 什么是IOC1.2 IOC与DI的关系2. IOC的设计目标3. IOC