CLIPSelf: 视觉 Transformer 自蒸馏用于开放词汇密集预测

简介

这是论文 CLIPSelf: 视觉 Transformer 自蒸馏用于开放词汇密集预测 的官方发布。

CLIPSelf: 视觉 Transformer 自蒸馏用于开放词汇密集预测,
吴思泽, 张文伟, 徐路敏, 金晟, 李向泰, 刘文涛, 陈长蕾
引用格式

待办事项

• CLIPSelf 的代码和模型
• F-ViT 的代码和模型
• 在 ovdet 仓库中使用 MMDetection3.x 支持 F-ViT

安装

本项目改编自 OpenCLIP-v2.16.0。运行以下命令安装软件包：

pip install -e . -v

数据准备

主要实验使用 COCO 和 LVIS 数据集的图像进行。请准备数据集并按以下方式组织：

CLIPSelf/
├── data
    ├── coco
        ├── annotations
            ├── instances_train2017.json  # 未使用边界框标注
            ├── panoptic_val2017.json
            ├── panoptic_val2017     # 全景分割掩码
        ├── train2017
        ├── val2017
        ├── coco_pseudo_4764.json    # 用于运行 RegionCLIP
        ├── coco_proposals.json      # 用于带区域建议的 CLIPSelf
    ├── lvis_v1
        ├── annotations
            ├── lvis_v1_train.json  # 未使用边界框标注
        ├── train2017    # 与 coco 相同
        ├── val2017      # 与 coco 相同

对于带区域建议的 CLIPSelf 或使用区域-文本对的 RegionCLIP，从 网盘 获取 coco_pseudo_4764.json 或 coco_proposals.json。将 json 文件放在 data/coco 下。

运行

原始模型

要运行 CLIPSelf，首先从 EVA-02-CLIP 获取原始模型，并将它们放在 checkpoints/ 下，如下所示：

CLIPSelf/
├── checkpoints
    ├── EVA02_CLIP_B_psz16_s8B.pt
    ├── EVA02_CLIP_L_336_psz14_s6B.pt
    

训练和测试

我们在 scripts/ 下提供了训练 CLIPSelf 和 RegionCLIP 的脚本，总结如下：

例如，如果我们想在COCO数据集上仅使用图像块通过CLIPSelf来优化ViT-B/16，只需运行：

bash scripts/train_clipself_coco_image_patches_eva_vitb16.sh    # 1

我们还在Drive中提供了上述列出的实验的检查点。 它们可以按以下方式组织：

CLIPSelf/
├── checkpoints
    ├── eva_vitb16_coco_clipself_patches.pt     # 1
    ├── eva_vitb16_coco_clipself_proposals.pt   # 2
    ├── eva_vitb16_coco_regionclip.pt           # 3
    ├── eva_vitl14_coco_clipself_patches.pt     # 4
    ├── eva_vitl14_coco_clipself_proposals.pt   # 5
    ├── eva_vitl14_coco_regionclip.pt           # 6
    ├── eva_vitb16_lvis_clipself_patches.pt     # 7
    ├── eva_vitl14_lvis_clipself_patches.pt     # 8

要评估ViT-B/16模型，运行：

bash scripts/test_eva_vitb16_macc_boxes_masks.sh 测试名称 检查点路径/checkpoint.pt

要评估ViT-L/14模型，运行：

bash scripts/test_eva_vitl14_macc_boxes_masks.sh 测试名称 检查点路径/checkpoint.pt

F-ViT

转到文件夹CLIPSelf/F-ViT并按照此README中的说明操作。

许可证

本项目采用NTU S-Lab License 1.0许可。

引用

@article{wu2023clipself,
    title={CLIPSelf: Vision Transformer Distills Itself for Open-Vocabulary Dense Prediction},
    author={Size Wu and Wenwei Zhang and Lumin Xu and Sheng Jin and Xiangtai Li and Wentao Liu and Chen Change Loy},
    journal={arXiv preprint arXiv:2310.01403},
    year={2023}
}

致谢

我们感谢 OpenCLIP、EVA-CLIP 和 MMDetection 提供的宝贵代码库。