视觉之前做无监督分割的时候，经常使用grouping方法：如果有一些聚类的中心点，从这写点开始发散，把周围相似的点逐渐扩充成一个group，这个group就相当是一个segmentation mask

右边是grouping block，左边的两个层之间的小东西表示可学习的group tokens，目的是想要模型在初始学习的时候能慢慢的把相邻的像素点group起来，变成一个又一个的segmentation mask

可以看到浅层时的group token分割效果还不是很好，但经过transformer layers和grouping block的学习，深层的group token的分割效果很好

输入来自原始图像的patch embedding和group tokens，group token的第一维代表聚类中心数量

group token可以理解为cls token，它想要代表整个图片，为什么多个token而不像cls token就一个，是因为分割有很多目标类别

transformer layers将patch embedding与group tokens联系起来

经过一些transformer之后，认为group token学得差不多了，聚类中心也学得差不多了，这时候利用grouping block将group token尝试合并成更大的group，学到一些更有语义的信息；另一个好处是它变相的把序列长度降低了

grouping block先利用类似自注意力的方式，计算量一个相似度矩阵，然后用这个相似度矩阵帮助原来的image token做一些聚类中心的分配，从而把image token降维到group token的维度；做聚类中心分配的过程不可导，所以用了gumbel softmax的trick

训练过程通过对比学习的loss，文本经过text encoder得到文本特征，但是图像经过group

token、group merging得到的是一个序列，第一维是聚类中心个数，第二位是深度，为了把序列的特征融合成整个图像的特征，使用平均池化，然后对比学习

背景类通过设置阈值来区分，这是CLIP的的局限性，背景类太抽象了，可以代表很多很多类

图片喂给GroupViT，文本喂给text encoder，对比学习计算相似度

聚类中心个数是超参数，需要人工设定，作者实验发现8个的效果最好，此时分割最多检测到8类

由图可知，group token确实起了作用

stage1的第五个token代表眼睛，第三十六个token代表四肢，且面积较小，因为此时未经过grouping block，聚类中心多

stage2中明显看到聚类中心减少后，token表示范围增大，且每个token代表不同类别