多模态大语言模型LISA++

LISA++: An Improved Baseline for Reasoning Segmentation with Large Language Model

摘要

LISA模型的缺点：

• 无法区分目标区域的不同实例
• 并且受限于预定义的文本响应格式。

LISA++对LISA的改进：

• 增强的分割能力： 增加了实例分割能力，在现有的多区域语义分割之外，提供了更细致的场景分析。
• 更自然的对话： 提升了多轮对话能力，能够将分割结果直接融入文本响应中，即“对话中的分割”（SiD）。

本文贡献：

架构不变，数据驱动： 这是最关键的一点。LISA++没有改动LISA的模型架构，而是通过重构指令调优数据来实现升级，表明对于大语言模型驱动的多模态模型而言，高质量、精心设计的训练数据（指令数据）是激发和塑造模型能力的关键。

3.1 An Improved Baseline

相较于LISA有两点改进

• 增强了推理实例分割能力
• 更灵活和自然的文本响应，具有对话分割（SiD）的能力。

实现一：

为了增强推理实例分割能力，利用带有实例分割注释的数据集作为指令调优的基础。具体来说，这些注释被合并到GPT-4V的提示中，使其能够生成反映注释中详细信息的深刻问题，具体如下：

方法的核心是利用已有的、带有实例标注的数据集（如 COCO）。这体现了工作的效率，无需从头标注数据。

关键创新 - 利用 GPT-4V 生成高质量指令数据

1. 输入： 将一张图片和其实例级别的标注（即每个物体都有唯一 ID 的掩码）作为输入。
2. 过程： 将这些信息精心设计成提示词，输入给强大的多模态大模型 GPT-4V。
3. 输出： GPT-4V 根据这些详细的标注，自动生成与之对应的、描述复杂的自然语言问题
   

实现二：构建高质量的数据

利用分割标注（无论是实例分割与否），促使分割结果（表示为<SEG>）能够在对话中上下文合适的节点无缝融入，而不是将其限制在响应中一个预先确定的、静态的位置，主要有问答对话数据和字幕对话数据两种，分别通过下面的提示词来生成训练数据

messages = [{"role": "system","content": "你被要求生成**问答对话数据**。要求如下：(1) 构建一个通过自然且多样的问题和答案来生动描绘场景的对话，确保其逻辑性和吸引力。(2) 对话上下文应具有关联性。应包含涵盖物体识别、计数、动作、位置、物体间关系的交互，同时还需整合复杂的、探究物体背景信息和图像所描绘场景的查询。(3) 精心设计问题以避免歧义，并确保能基于图像标注自信地回答。避免在<人物>的提问中包含‘<实例ID；标签名>’。不要在问答中直接提及‘多边形’或‘标注’。(4) 输出格式为：‘<人物>: XXXX <机器人>: XXXX’，其中<机器人>的回应需包含实例ID和标签名，例如‘键盘 <34494; keyboard> <31264; keyboard>’。"
}]

messages = [{"role": "system","content": "你被要求生成**字幕对话数据**。请基于提供的图像（图像尺寸：{image_size}）及其实例分割标注生成一个问答对。重点是根据标注中给出的实例，尽可能详细地描述（说明）整个图像，除了实例ID外，不要直接引用标注中的任何其他信息。确保答案指明了所涉及的具体实例。标注由结构体{'标签名', '实例ID', '边界框', '中心点'}组成，每个结构体对应图像中的一个唯一实例（分割掩码以边界框[左, 上, 右, 下]的形式给出，‘中心点’是实例的中心）。x坐标从左到右递增。y坐标从上到下递增！实例越靠近上边缘，其y坐标值越小。请假设你处于一个空间，其中点1[0,0]位于点2[1,1]的左上，点2[1,1]位于点1[0,0]的右下。起点[0,0]位于给定图像的左上角。生成的问答应遵循以下格式：‘Q1: <问题>. A1: <描述>’"
}]

实现三：统一多种任务模式，使得语义分割（SemSeg）和实例分割（InstSeg）兼容

1. 使得语义分割（SemSeg）和实例分割（InstSeg）兼容

由于LISA++执行实例分割，与处理多区域响应类似，会生成多个<SEG>标记，与LISA中不同的<SEG>标记代表不同类别，在LISA++中，<SEG>还可以代表同一类别中的不同个体。在训练过程中，我们采用了二分图匹配方法，来为每个预测出的实例掩码寻找对应的真实标签。

• 转换为语义分割数据： 将同一类别的多个实例掩码合并成一个。
• 转换为纯对话数据： 直接移除答案中的 <SEG>标记。

2. 统一多种任务模式:

• 只要分割不要对话
• 既要分割也要对话
• 区分实例
• 不要区分实例

解决方案：

将任务指令显式化、模板化，并作为提示词的一部分直接提供给模型
在实际使用时，系统会将用户的自然语言问题（如：“图片里有什么动物？”）与表1中对应的任务模板（如：用于“SiD with SemSeg”的模板）拼接在一起，再输入给LISA++模型。模型通过阅读这个完整的提示词，就能清晰地理解用户的意图和所期望的输出格式。

3.2. Instance-level Evaluation for ReasonSeg

LISA文中的ReasonSeg基准评估在图像中精确定位目标区域的能力，以响应复杂的文本查询。然而，因为它只考虑每个图像查询对的单个目标区域，不适合评估实例分割，故构建了ReasonSeg-Inst数据集，该子集专门用于评估模型在实例识别方面的熟练程度。ReasonSeg-Inst数据集来自COCO和ADE20K数据库的样本。其中因为COCO和ADE20K中的低分辨率图像或微小对象实例可能会妨碍GPT-4V生成令人满意的指令调优数据的能力。故对其进行筛选。