CLIPTeacher：一种基于VLM的通用零样本语义分割框架，有效地利用了可见和忽略区域，而不需要对原CLIP模型进行任何更改，性能提升显著！单位：名古屋大学
现有的通用零样本语义分割（GZLSS）方法应用微调 CLIP 范式或将其制定为掩码分类任务，受益于视觉语言模型（VLM）。 然而，微调方法受到固定骨干模型的限制，这些模型对于分割不灵活，并且掩模分类方法严重依赖于额外的显式掩模提议器。 同时，流行的方法仅利用可见的类别，这是一种极大的浪费，即忽略了存在但未注释的区域。 为此，我们提出了 CLIPTeacher，这是一种新的学习框架，可以应用于各种每像素分类分割模型，而无需引入任何显式掩码proposer或改变 CLIP 的结构，并利用可见区域和忽略区域。 具体来说，CLIPTeacher由两个关键模块组成：全局学习模块（GLM）和像素学习模块（PLM）。 具体来说，GLM 将图像编码器的密集特征与 CLS 令牌（即在 CLIP 中训练的唯一token）对齐，这是从 CLIP 模型中探测全局信息的简单但有效的方法。 相比之下，PLM 仅利用 CLIP 的密集标记来生成用于忽略区域的高级伪注释，而无需引入任何额外的mask proposer。 同时，PLM基于伪标注可以充分利用整个图像。 在三个基准数据集：PASCAL VOC 2012、COCO-Stuff 164k 和 PASCAL Context 上的实验结果显示出巨大的性能提升，即 2.2%、1.3% 和 8.8%
论文地址：https://arxiv.org/abs/2310.02296
更多论文创新点加微信群：Lh1141755859
公众号：CV算法小屋
