微软研究推新型视觉基础模型Florence-2:基于统一提示，适用各种计算机视觉和视觉语言任务

　　近来，人工智能领域的趋势是采用预训练、可调整表示的方法，为各种应用提供任务不可知的优势。与此趋势相呼应，微软研究推出了Florence-2，这是一款灵活的视觉基础模型，通过统一提示式表示成功应对了计算机视觉中的挑战。

　　在自然语言处理(NLP)中，我们看到了这种趋势的明显体现，先进的模型展示了在多个领域和任务上灵活性的同时，能够通过简单的指令进行深入的知识覆盖。NLP的流行鼓励在计算机视觉中采用类似的策略，但计算机视觉面临更多挑战，因为它需要处理复杂的视觉数据，如特征、遮挡轮廓和物体位置。为了实现通用表示，模型必须熟练处理二维排列的各种具有挑战性的任务。

　　Florence-2通过统一的预训练和网络设计，引领了在计算机视觉中整合空间、时间和多模态特征的潮流。该模型通过任务特定的微调和使用嘈杂的文本-图像对进行预训练，在转移学习方面取得了显著的进展。然而，由于对大型任务特定数据集和适配器的依赖，存在解决空间层次和语义细粒度两个主要问题的差距。研究人员通过使用富有视觉标注的多任务学习，提供了一个通用的骨干，实现了基于提示的统一表示，成功解决了数据不完整和缺乏统一架构的问题。

　　在实现多任务学习时，大规模、高质量的标注数据是必不可少的。为了克服人工标注的瓶颈，研究团队创建了一个名为\fld 的广泛的视觉数据集，其中包含对126M张照片的5.4B注释。通过使用专门的模型共同和自主地注释照片，该数据引擎的第一个模块跳出了传统的单一手动注释策略。与众多模型合作，共同创建共识，形成更公正和可信的图片解释。第二个模块使用学习到的基本模型，反复改进和过滤这些自动注释。

　　Florence-2采用序列到序列(seq2seq)结构，通过整合图像编码器和多模态编码器-解码器，利用这个大型数据集。这种架构支持多种视觉任务，无需任务特定的架构调整，符合NLP社区创建具有统一基础的灵活模型的目标。数据集中的每个注释都被一致地标准化为文本输出，从而实现了使用相同损失函数的单一多任务学习策略的一致优化。结果是一个灵活的视觉基础模型，可以处理一系列功能，包括目标识别、字幕生成和定位，都在单一模型的统一参数控制下。文本提示被用来激活任务，与大型语言模型(LLMs)采用的方法一致。

　　该方法实现了通用表示，并在许多视觉任务中具有广泛的应用。关键发现包括:

　　- 该模型是一种灵活的视觉基础模型，在诸如RefCOCO的任务中实现了新的零样本性能，包括引用表达理解、Flick30k上的视觉定位和COCO上的字幕生成。

　　- 尽管体积较小，但在使用公开可用的人工标注数据进行微调后，与更专业的模型竞争。值得注意的是，改进后的模型在RefCOCO上创下了新的基准最先进得分。

　　- 预训练的骨干在下游任务中超越了监督和自监督模型，在COCO对象检测和实例分割以及ADE20K语义分割上取得了显著的增长。使用Mask-RCNN、DINO和UperNet框架的模型在COCO和ADE20K数据集上分别取得了6.9、5.5和5.9个点的显著增加，同时将在ImageNet上预训练模型的训练效率提高了四倍。

　　这项研究的全部功劳归功于该项目的研究人员。如果您喜欢他们的工作，请查看论文，并加入他们的社交媒体群体，获取最新的人工智能研究新闻和有趣的项目。