柚子快報(bào)邀請碼778899分享：GroupViT論文閱讀

http://yzkb.51969.com/

GroupViT

主要工作：

加入 grouping mechanism轉(zhuǎn)化為zero-shot manner使用multi-label text contrastive loss，轉(zhuǎn)化成text supervision，進(jìn)而擺脫pixel-level labeled 依賴

創(chuàng)新點(diǎn)

引入多級grouping利用contrastive losses去使用image-level text實(shí)現(xiàn)zero-shot manner

網(wǎng)絡(luò)結(jié)構(gòu)

方法

1.怎么轉(zhuǎn)化的zero-shot manner？ 利用不斷合并成更大的segment 2.怎么引入的grouping machanism？ grouping可以不斷地將小的image segment”合并“成更大的segment： group token（gi） &segment token（si）=>新的segment token（si+1） 最后的 sl 經(jīng)過AvgPooling、MLP進(jìn)入計(jì)算對比損失階段 3.如何設(shè)計(jì)的對比損失(contrastive loss)？ 利用hard assignment（或者soft assignment）計(jì)算group token（gl） 和segment token（si）的相似性 4.怎么利用的image-level text？ text encoder？text transformer？

相關(guān)問題

怎么描述它的創(chuàng)新點(diǎn)的 DL針對語義分割有兩點(diǎn)限制——依賴piexl-wise labels；不能泛化到?jīng)]見過的類型上 創(chuàng)新點(diǎn)來源——受到zero-shot的啟示，考慮是否能使用純文本監(jiān)督進(jìn)行語義分割，并且支持泛化？ 提出方法——使用ViT+引入多級grouping 最后強(qiáng)調(diào)列舉創(chuàng)新點(diǎn)（現(xiàn)寫明效果，再簡單概括創(chuàng)新方法） 怎么對自己的邏輯進(jìn)行闡述建模的。

利用grouping合并生成larger segment的優(yōu)勢把語義分割轉(zhuǎn)化成zero-shot manner =》引入多級grouping使用text信息=》引入對比損失

怎么設(shè)計(jì)的實(shí)驗(yàn)，怎么對方法的有效性進(jìn)行驗(yàn)證的。 首先利用消融實(shí)驗(yàn)驗(yàn)證組件的貢獻(xiàn)

- hard assignment更有效（同時(shí)可以驗(yàn)證multi label loss更有效）：以此找到更好用的對比損失計(jì)算方法

- 尋找最佳的group token size和output size

- 驗(yàn)證2-stage確實(shí)能再dataset 擴(kuò)充的情況下發(fā)揮grouping得優(yōu)勢，獲得更好的實(shí)驗(yàn)效果、

其次由于本實(shí)驗(yàn)是基于ViT提出的zero-shot式的語義分割，所以和基礎(chǔ)的全監(jiān)督語義分割和zero-shot baseline的語義分割做對比實(shí)驗(yàn)，比較實(shí)驗(yàn)效果。

查漏補(bǔ)缺：

什么是模態(tài) ：https://zhuanlan.zhihu.com/p/389287751什么是visual grouping ：https://zhuanlan.zhihu.com/p/388504127什么是Top-down and Bottom-up ：https://zhuanlan.zhihu.com/p/342480164什么是superpixels(超像素） ：https://blog.csdn.net/h1239757443/article/details/107248419什么是E2E training /E2E model https://blog.csdn.net/program_developer/article/details/77887478什么是Global Attention / Local Attention : https://blog.csdn.net/weixin_40871455/article/details/85007560/耦合（Coupling） 表示兩個(gè)子系統(tǒng)（或類）之間的關(guān)聯(lián)程度，當(dāng)一個(gè)子系統(tǒng)（或類）發(fā)生變化時(shí)對另一個(gè)子系統(tǒng)（或類）的影響很小，則稱它們是松散耦合的；反之，如果變化的影響很大時(shí)，則稱它們是緊密耦合的。什么是logit ：https://www.zhihu.com/question/60751553gumbel softmaxVitNetTransformerLinear Projection

未見知識整理(Sec 3)

問題一：未見知識僅限于不認(rèn)識的名詞嗎？

zero-shot Transformer在這里到底是干啥的 global self-attention ViT(split an input image into N non-overlapping?and linearly project?)為什么有用？ [learnable]grouping tokens哪里來的？group stage的輸出？ what is ”concatenation operator“ M(l)是什么 ， 為什么會(huì)有更少的grouping token？ 他是怎么縮小的？為什么能以此造成更大更少的image segment MLP是什么 局限于regular-grid structure有哪些缺陷？有哪些優(yōu)勢？什么是受限于此？ 注意一下transformer里的embedding是什么 Gumbel-Softmax、Gumbel（0.1） 線性投影的權(quán)重是從哪里學(xué)的？

柚子快報(bào)邀請碼778899分享：GroupViT論文閱讀

http://yzkb.51969.com/

參考文章