AIxiv專欄是機器之心釋出學術、技術內容的欄目。過去數年，機器之心AIxiv專欄接收報導了2000多篇內容，覆蓋全球各大高校與企業的頂級實驗室，有效促進了學術交流與傳播。如果您有優秀的工作想要分享，歡迎投稿或者聯絡報導。投稿郵箱：liyazhou@jiqizhixin.com；zhaoyunfeng@jiqizhixin.com
本文作者來自浙江大學、上海人工智慧實驗室、香港中文大學、悉尼大學和牛津大學。作者列表：吳逸璇，王逸舟，唐詩翔，吳文灝，賀通，Wanli Ouyang，Philip Torr，Jian Wu。其中，共同第一作者吳逸璇是浙江大學博士生，王逸舟是上海人工智慧實驗室科研助理。通訊作者唐詩翔是香港中文大學博士後研究員。
多模態大模型（Multimodal Large Language Models，MLLMs）在不同的任務中表現出了令人印象深刻的能力，儘管如此，這些模型在檢測任務中的潛力仍被低估。在複雜的目標檢測任務中需要精確座標時，MLLMs 帶有的幻覺又讓它常常錯過目標物體或給出不準確的邊界框。為了讓 MLLMs 賦能檢測，現有的工作不僅需要收集大量高質量的指令資料集，還需要對開源模型進行微調。費時費力的同時，也無法利用閉源模型更強大的視覺理解能力。為此，浙江大學聯合上海人工智慧實驗室和牛津大學提出了 DetToolChain，一種釋放多模態大語言模型檢測能力的新提示正規化。不需要訓練就能讓多模態大模型學會精確檢測。相關研究已經被 ECCV 2024 收錄。為了解決 MLLM 在檢測任務上的問題，DetToolChain 從三個點出發：（1）針對檢測設計視覺提示（visual prompts），比傳統的文字提示（textual prompts）更直接有效的讓 MLLM 理解位置資訊，（2）把精細的檢測任務拆解成小而簡單的任務，（3）利用 chain-of-thought 逐步最佳化檢測結果，也儘可能的避免多模態大模型的幻覺。 與上述的 insights 對應，DetToolChain 包含兩個關鍵設計：（1）一套全面的視覺處理提示（visual processing prompts），直接在影像中繪製，可以顯著縮小視覺資訊和文字資訊之間的差距。（2）一套全面的檢測推理提示 (detection reasoning prompts)，增強對檢測目標的空間理解，並透過樣本自適應的檢測工具鏈逐步確定最終的目標精確位置。透過將 DetToolChain 與 MLLM 結合，如 GPT-4V 和 Gemini，可以在無需指令調優的情況下支援各種檢測任務，包括開放詞彙檢測、描述目標檢測、指稱表達理解和定向目標檢測。
- 論文標題：DetToolChain: A New Prompting Paradigm to Unleash Detection Ability of MLLM
- 論文連結：https://arxiv.org/abs/2403.12488
如圖 1 所示，對於給定的查詢影像，MLLM 被指示進行以下步驟：I. Formatting：將任務的原始輸入格式轉化為適當的指令模板，作為 MLLM 的輸入；II. Think：將特定的複雜檢測任務分解為更簡單的子任務，並從檢測提示工具包中選擇有效的提示（prompts）；III. Execute：按順序迭代執行特定的提示（prompts）；IV. Respond：運用 MLLM 其自身的推理能力來監督整個檢測過程並返回最終響應（final answer）。檢測提示工具包：Visual Processing Prompts
圖 2：visual processing prompts 的示意圖。我們設計了 (1) Regional Amplifier, (2) Spatial Measurement Standard, (3) Scene Image Parser，從不同的角度來提升 MLLMs 的檢測能力。如圖 2 所示，(1) Regional Amplifier 旨在增強 MLLMs 對感興趣區域（ROI）的可見性，包括將原始影像裁剪成不同部分子區域，重點關注目標物體所在子區域；此外，放大功能則使得可以對影像中特定子區域進行細粒度觀察。(2) Spatial Measurement Standard 透過在原始影像上疊加帶有線性刻度的尺子和指南針，為目標檢測提供更明確的參考，如圖 2 (2) 所示。輔助尺子和指南針使 MLLMs 能夠利用疊加在影像上的平移和旋轉參考輸出準確的座標和角度。本質上，這一輔助線簡化了檢測任務，使 MLLMs 能夠讀取物體的座標，而不是直接預測它們。(3) Scene Image Parser 標記預測的物體位置或關係，利用空間和上下文資訊實現對影像的空間關係理解。Scene Image Parser 可以分為兩類：首先，針對單個目標物體，我們用質心、凸包和帶標籤名稱及框索引的邊界框標記預測的物體。這些標記以不同格式表示物體位置資訊，使 MLLM 能夠檢測不同形狀和背景的多樣物體，特別是形狀不規則或被大量遮擋的物體。例如，凸包標記器標記物體的邊界點並將其連線為凸包，以增強對形狀非常不規則的物體的檢測效能。其次，針對多目標，我們透過場景圖示記器（scene graph marker）連線不同物體的中心，以突出影像中物體之間的關係。基於場景圖，MLLM 可以利用其上下文推理能力來最佳化預測的邊界框並避免幻覺。例如，如圖 2 (3) 所示，Jerry 要吃乳酪，因此它們的 bounding box 應該非常接近。檢測提示工具包：Detection Reasoning Prompts
為了提高預測框的可靠性，我們進行了檢測推理提示（如表 1 所示），以檢查預測結果並診斷可能存在的潛在問題。首先，我們提出了 Problem Insight Guider，突出困難問題併為查詢影像提供有效的檢測建議和相似例子。例如，針對圖 3，Problem Insight Guider 將該查詢定義為小物體檢測的問題，並建議透過放大沖浪板區域來解決它。其次，為了利用 MLLMs 固有的空間和上下文能力，我們設計了 Spatial Relationship Explorer 和 Contextual Object Predictor，以確保檢測結果符合常識。如圖 3 所示，衝浪板可能與海洋共現（上下文知識），而衝浪者的腳附近應該有一個衝浪板（空間知識）。此外，我們應用 Self-Verification Promoter 來增強多輪響應的一致性。為了進一步提升 MLLMs 的推理能力，我們採用了廣泛應用的 prompting 方法，例如 debating 和 self-debugging 等。詳細描述請見原文。
圖 3 檢測推理提示可以幫助 MLLMs 解決小物體檢測問題，例如，利用常識定位人腳下的衝浪板，並鼓勵模型在海洋中檢測衝浪板。
圖 4 一個 DetToolChain 應用於旋轉目標檢測的例子（HRSC2016 資料集）
如表 2 所示，我們在 open vocabulary detection（OVD）上評估了我們的方法，測試了在 COCO OVD benchmark 中 17 個新類、48 個基礎類和所有類的 AP50 結果。結果顯示，使用我們的 DetToolChain，GPT-4V 和 Gemini 的效能均顯著提升。
為了展示我們的方法在指稱表達理解上的有效性，我們將我們的方法與其他零樣本方法在 RefCOCO、RefCOCO + 和 RefCOCOg 資料集上進行了比較（表 5）。在 RefCOCO 上，DetToolChain 使得 GPT-4V 基線在 val、test-A 和 test-B 上的效能分別提升了 44.53%、46.11% 和 24.85%，展示了 DetToolChain 在 zero-shot 條件下優越的指稱表達理解和定位效能。