简介

多任务视觉基础涉及基于文本表达的图像定位和分割。大多数先进方法主要侧重于基于 Transformer 的多模态融合，旨在提取稳健的多模态表示。然而，指称表达理解 (referring expression comprehension,REC) 和指称图像分割 (RIS) 之间的歧义容易出错，导致多任务预测不一致。此外，多模态理解不足直接导致目标感知偏差，如图1所示。为了克服这些挑战，提出了一种从粗到细的一致性约束视觉基础架构 (C3VG），将隐式和显式建模方法集成在一个两阶段框架内。首先，使用查询和像素解码器来生成初步的检测和分割输出，这个过程称为粗语义感知（RSP）阶段。随后通过提出的掩码引导交互模块（MIM）和新颖的显式双向一致性约束损失对这些粗略预测进行细化，以确保跨任务的一致表示，称之为细化一致性交互（RCI）阶段。此外，为了解决多模态理解不足的挑战，利用基于视觉语言融合表示的预训练模型。对 RefCOCO、RefCOCO+ 和 RefCOCOg 数据集的实证评估证明了C3VG，其性能显著优于最先进的 REC 和 RIS 方法。

图 1：(a) 多任务输出之间结果不一致的三个示例。 (b) 由于对多模式理解不足而未能确定目标的两个例子。

图 2：(a) 所提出的从粗到细的一致性约束框架中的中间过程示例。 (b) 两种预训练架构：左图说明了使用单模态预训练对图像和文本模态进行单独编码，然后进行融合；右图显示了具有多模态预训练的融合编码架构。

论文贡献

• 引入了一种创新且高效的从粗到细的架构C3VG，专为多任务视觉基础而设计。

• 设计了一个掩模引导的交互模块和双向一致性约束损失来解决多任务预测不一致的挑战。这些组件分别促进隐式交互并为多任务预测提供显式监督。

• 将预训练的多模态编码器从单任务设置扩展到多任务联合训练框架，并验证其对解决多模态理解不足问题的影响。

• 所提出的 C3VG 框架在 REC 和 RIS 任务的 RefCOCO/+/g 数据集上显着优于最先进的方法，同时只需要一半或更少的训练周期。

C3VG模型

图 3 提供了 C3VG 架构的概述。首先，图像和文本模态通过多模态编码器（MME）独立嵌入和处理，以进行视觉语言编码和融合，将多模态融合的联合表示定位在上游。可学习的对象标记也被用作 REC 任务的特征表示。然后，该框架通过 RSP 和 RCI 阶段前进，最终产生高质量的预测。

图 3：C3VG 的总体框架。

多模态编码器。 C3VG 的输入由图像I和标题文本T组成。

粗语义感知阶段。 RSP 阶段旨在生成粗略的定位和语义轮廓，作为 RCI 阶段的先验。最初，MME 的输出通过三个不共享的线性层投影到公共维度。对于 REC 分支，该过程从查询解码器开始，该解码器通过与文本和图像标记交互来增强对象标记的表示。对于 RIS 分支，采用类似于 CRIS 的文本到像素相关策略来生成预测mask。

精细化一致性交互阶段。精细一致性交互 (RCI) 阶段旨在协调 RSP 阶段的输出，通过隐式交互和显式约束确保多任务一致性。首先引入一个掩模引导交互模块（MIM），自适应地、隐式地调整检测和分割预测之间的一致性。此外，还合并了辅助双向一致性约束损失，以在结果级别显式强制对齐。在 REC 分支中，MLP 层用于在 RCI 阶段回归对象特征。在 RIS 分支中，集成了 SimFPN 来捕获多级结构，然后是执行多级融合的 UNet 风格 解码器和像素解码器，与 RSP 阶段采用一致的方法。

掩模引导交互模块

RSP 阶段为 RCI 阶段提供空间先验信息，而 MIM 旨在以可学习的方式对 RSP 阶段的多任务结果之间的关系进行隐式建模。在REC分支中，基于RSP阶段的检测结果（表示为（x，y，w，h）），执行两个操作。 (1) 结果用作 ROI 来汇集 Fimg 的特征。 (2)通过坐标嵌入(CoE)获得坐标表示。

在 RIS 分支中，利用 上 REC 和 RIS 分支的结果应用背景抑制和前景增强的概念。接下来，MLP 将通道维度从 3 × C 减少回原始 C，产生融合图像表示 ，其中包含 RSP 阶段的预测。该过程隐式地向 RCI 阶段提供从检测和分割预测中导出的先前空间注意力信息。如图 5 所示，两只猫的存在会导致注意力预测出现分歧，从而导致 RSP 阶段边界框预测的调整不理想。 MIM 通过对图像空间内的高响应区域施加约束来缓解这个问题，从而减少模型对不相关目标的关注并实现更精确的目标识别。此外，融合的图像表示与文本进行交互，然后是多头自注意力（MSA）层以进一步学习一致的语义关联。这个过程表述如下：

双向一致性约束损失

为了补充 MIM 跨多任务输出促进的隐式交互，提出了显式双向一致性约束损失，表示为 。首先， 旨在强制将分割掩码包含在预测的 bbox 中：

其次，损失项定义如下：

这种损失是使用交并集 (IoU) 指标来量化的，该指标测量从分割掩模导出的边界框与预测边界框之间的重叠程度。它确保预测的边界框尽可能全面地封装分割掩模。最后，整体一致性约束损失定义为 = λ1 + λ2，权重系数λ1和λ2分别设置为1和3。

训练目标

多任务视觉基础的主要优化损失由两个主要部分组成：REC 和 RIS，其定义如下：

总损失公式为：

实验结果

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】