[JSAI23]Referring Expression Segmentation With Large-Scale Visual Language Model and Denoising Diffusion Probabilistic Model in Household Tasks

1. 生活支援タスクにおける大規模視覚言語モデルと 拡散確率モデルを用いた参照表現セグメンテーション 慶應義塾大学 飯岡雄偉，吉田悠，和田唯我，畑中駿平，杉浦孔明 本日のプレゼン資料
2. 背景：生活支援ロボットによる被介助者支援への期待 • 少子高齢社会では、被介助者が増加 – 介助者不足が社会問題に – 2025年の日本では約32万人の不足が予測 • 『第８期介護保険事業計画に基づく介護職員の 必要数について』, 厚生労働省, 2021 • 生活支援ロボットに期待 – 人間からの指示文を理解できれば便利 3
3. 問題設定：参照表現セグメンテーション＋指示文理解 • 対象タスク：Object Segmentation from Manipulation Instructions（OSMI） – 指示文と画像から動作対象物のセグメンテーションマスクを予測 – 「指示文の中から対象物の特定 ＆ 対象物に対する参照表現の理解」が必要 4 "Go to the living room and fetch the pillow closest to the radio art on the wall." Inputs: 画像, 指示文 Output：マスク
4. “the pillow on the right side above the couch" Inputs: 画像, 参照表現 問題設定：OSMIタスクはRESタスクよりも難度が高い • 参照表現セグメンテーション（RES）とOSMIの違い – 指示文から適切な動作対象物を特定する必要がある – 平均文長が長い 6 "Go to the living room and fetch the pillow closest to the radio art on the wall." Inputs: 画像, 指示文 Output：マスク データセット 平均文長 G-Ref [Mao+, CVPR16] 8.4 SHIMRIE 18.8 RES
5. “the pillow on the right side above the couch" Inputs: 画像, 参照表現 問題設定：OSMIタスクはRESタスクよりも難度が高い • 参照表現セグメンテーション（RES）とOSMIの違い – 指示文から適切な動作対象物を特定する必要がある – 平均文長が長い 7 "Go to the living room and fetch the pillow closest to the radio art on the wall." Inputs: 画像, 指示文 Output：マスク データセット 平均文長 G-Ref [Mao+, CVPR16] 8.4 SHIMRIE 18.8 OSMI
6. 関連研究：指示文理解や対象物の領域予測が不十分 • RES手法では指示文の理解が不十分 • 予測される物体領域に過不足が生じている – 物体に関する情報が不十分 8 手法 概要 LAVT [Yang+, CVPR22] Encoderの中間層で言語と画像の特徴量を早期にマージする構造 CRIS [Wang+, CVPR22] CLIP [Radford+, PMLR21]の持つマルチモーダルな知識をテキストと ピクセルの対応に活用
7. 関連研究：指示文理解や対象物の領域予測が不十分 9 手法 概要 LAVT [Yang+, CVPR22] Encoderの中間層で言語と画像の特徴量を早期にマージする構造 CRIS [Wang+, CVPR22] CLIP [Radford+, PMLR21]の持つマルチモーダルな知識をテキストと ピクセルの対応に活用 昨今、話題となっているSEEM [Zou+, 23]でも OSMIタスクを解くのは難しい
8. 提案手法：Multimodal Segmentation Diffusion Model（MSDM） 新規性 10 2段階のマルチモーダルセグメンテーションモデル First step: Intermediate Training Step（ITS） ➢ 並列クロスモーダル特徴抽出機構を導入 Second step: Diffusion Step（DS） ➢ 拡散モデルであるDDPM [Ho+, NeurIPS20]を 拡張し，マルチモーダル特徴量を扱う Crossmodal Reverse Decoderを導入
9. DS： マスクを洗練 ITS： マスクを生成 提案手法：MSDMのネットワーク構造 11
10. ITS：並列クロスモーダル特徴抽出機構の導入とマスク生成 • Multimodal Encoder – 大規模視覚言語モデルCLIP＋多様スケールに対応するSwin Transformer [Liu+, IEEE21] • PWAM [Yang+, CVPR22] – 言語と画像の特徴量を計算コストを削減してAttention 12
11. 一般的な拡散モデルでの生成 DS(1/2)：徐々にノイズを加える拡散過程 • Forward Encoder – 画像 を入力とし，ガウシアンノイズを 回 加えた画像 を出力 13 𝛽𝑡 ：ノイズの強さ
12. DS(2/2)：拡散モデルであるDDPMを拡張し，マスクを洗練 • Crossmodal Reverse Decoder – ノイズを含む画像 を入力とし，再構成された を予測 – ITSで得られた特徴量 を加算して、 を求める 15
13. DS(2/2)：拡散モデルであるDDPMを拡張し，マスクを洗練 • Crossmodal Reverse Decoder – ノイズを含む画像 を入力とし，再構成された を予測 – ITSで得られた特徴量 を加算して、 を求める 16
14. 予測と損失関数：DSでの差分予測と洗練 • DSでの差分予測 – ITSでの確率をリスコアリングしたものが，予測マスク画像の確率となる • 損失関数 – ITS ⇒ 交差エントロピー誤差, DS ⇒ 平均絶対誤差 17 差分の特徴量 予測マスク画像の確率 𝑓BN ：バッチ正規化 𝑓FC ：線形結合
15. 実験設定：新たなデータセットを構築して性能評価 • SHIMRIEデータセットを構築 Segmentation from Household-task Instructions on Manipulation in Real Indoor Environments – 実世界の室内環境におけるデータセット – 指示文，対応する画像，および対象物のマスク画像が含まれる – REVERIE [Qi+, CVPR20]およびMatterport3D [Chang+, IEEE18]を用いて構築 • train：valid：test = 10153：856：362 18 画像数 指示文数 語彙サイズ 平均文長 4341 11371 3558 18.8
16. 定量的結果：全ての評価尺度で既存手法の性能を上回る • 評価指標 – mIoU(mean IoU), oIoU(overall IoU), Precision@0.5 19 method mIoU oIoU P@0.5 (i) LAVT [Yang+,CVPR22] 24.27±3.15 22.25±2.85 21.27±5.66 (ii) Ours (w/o diffusion step) 30.19±3.98 27.08±2.89 31.66±6.52 (iii) Ours 34.40±3.79 31.59±3.03 36.63±6.14 5.92ポイント↑ 4.21ポイント↑
17. 定性的結果(成功例)：指示文に適したセグメンテーションマスクの生成 • 指示文に適した領域の予測 20 [ベースライン手法: LAVT] 窓の外側の領域をマスク [提案手法: MSDM] ☺正しい絵画をマスク
18. 定性的結果(成功例)：指示文に適したセグメンテーションマスクの生成 • 物体領域の予測性能の向上 21 [ベースライン手法: LAVT] 予測領域に不足 [提案手法: MSDM] ☺より正確な椅子の領域を予測
19. 定性的結果(失敗例)：参照表現中の画像外物体による失敗 • 画像内に存在しない”toilet”が参照表現に含まれており予測が困難 – ベースライン手法も同様の失敗 22
20. まとめ • 背景 – 在宅介助者不足による生活支援ロボットへの期待 • 提案 – 2段階のマルチモーダルセグメンテーションモデル MSDMを提案 • 大規模言語モデルと拡散モデルDDPMの拡張 • 結果 – 全ての評価尺度でベースライン手法を上回る 23
21. Appendix：特徴量の選択におけるablation study 24 mIoU oIoU P@0.5 P@0.6 P@0.7 P@0.8 P@0.9 ✔ ✔ ✔ ✔ 34.09±4.14 31.57±3.07 35.52±6.04 27.29±4.93 16.35±3.16 6.35±1.22 1.82±1.33 ✔ ✔ ✔ 34.40±3.79 31.59±3.03 36.63±6.14 27.79±5.28 16.30±2.98 6.41±1.19 0.66±0.62 ✔ ✔ ✔ 33.68±4.37 30.61±4.17 35.80±6.73 26.46±4.66 15.69±3.88 6.08±1.58 0.50±0.41 ✔ ✔ ✔ 33.44±4.52 30.51±3.89 35.03±6.36 26.85±6.02 15.91±4.36 5.25±0.82 1.66±1.48 ✔ ✔ ✔ 32.54±4.97 29.97±4.14 35.30±6.72 26.24±6.26 13.15±3.77 3.26±1.95 0.50±0.41
22. Appendix：データセットの構築方法 • REVERIE dataset – 部屋のID – 視点位置とカメラの角度 – 2次元画像 • Matterport3D Simulator – ボクセル単位でのクラスごと に色を付ける – REVERIEと同様の位置と向き になるように調整 25 bbox内で最も大きな面積 ground-truthマスク
23. Appendix：w/o diffusion stepとの定性結果比較 26
24. Appendix：PWAMの構造 27 [Yang+, CVPR22]
25. Appendix：エラー分析 28 Errors Description #Error SC 全く異なる物体領域を予測 11 RE 参照表現を誤って理解し，対象物と同カテゴリの別物体領域を予測 31 SEO 対象物体に加えて，異なる物体領域も予測 19 OUS 過剰もしくは過小な領域を予測 16 NSG 予測される領域が存在しない 11 SNI 対象物以外で命令文に含まれる物体の領域を予測 6 AE 正解マスク画像および指示文の誤り 6 Total - 100
26. Appendix: 評価指標 29 • 評価指標 – Mean IoU (mIoU)：全サンプルにおけるIoUの平均 – Overall IoU (oIoU)：全サンプルのunion areaの合計とintersection areaの合計の比 – Precision@ (P@ )：IoUが を超えるサンプルの割合