萧箫 发自 凹非寺 量子位 | 公众号 QbitAI 给AI下指令时，总觉得和人沟通不太一样？ 没错，AI虽然能听懂一些具体 的人类指令，例如： 帮忙从餐厅搬个 椅子 过来。 但要是换成只有代词（他/她/它/这/那/东西…） 和动词的模糊指令 ，AI就一头雾水了： 帮忙找个能垫脚的 东西 。 现在，终于有研究人员想出了一种新的应对方法：让AI学会理解动词 不就行了？ 动词本身就和一些特定的名词绑定，例如＂抹黄油＂这个动作肯定离不开＂刀＂、＂叉＂这样的名词。 只需要将它们进行匹配，不需要＂刀叉＂这类名词指令，AI也能准确找出目标物体： 目前，这篇论文正式被NeurIPS 2022 收录，相关模型也已经开源： 所以它究竟是如何训练AI理解动词的？遮住名词让AI＂看图找物＂ 论文提出了一种名叫TOIST 的框架。 TOIST即＂任务导向的实例分割Transformer＂（Task Oriented Instance Segmentation Transformer） ，是一种基于Transformer的实例分割新方案。 实例分割与语义分割的＂全图切割＂不同，它还具备目标检测的特点，例如下图凭借名词＂掀背车＂ （hatchback car） ，直接找出对应物体： 此前，实例分割模型通常分为＂两步走＂，第一步检测可能的目标，第二步对可能的目标进行排序，预测出最有可能的结果。 但与这种方式不同，TOIST框架直接采用一整个Transformer架构，其中解码器中的自注意力机制可以建立候选目标之间的偏好关系。 TOIST框架整体分为三个部分。 其中，多模态编码器（棕色部分） 负责提取特征标记，Transformer编码器（绿色部分） 负责将两种模态的特征聚合起来，并基于Transformer解码器（蓝色部分） 中的注意力机制来预测最合适的目标。 随后，论文提出了一种新的名词-代词蒸馏 方法 （noun-pronoun distillation） 来训练模型。 具体来说，即基于知识蒸馏（上图教师-学生模型） 框架，以无监督学习的方式，训练AI凭借上下文来＂猜测＂名词原型。 例如原本的实例分割任务是＂用滑板挖洞＂，但在训练模型时，会把名词＂滑板＂（skateboard） 用代词＂某个东西＂（something） 替代： 这样AI在不知道名词的时候，也能凭空猜测出正确的名词，并在图中分割出正确的目标： 这样的分割效果，在实际案例中表现如何？目标检测提升10.9%精度 论文在大规模任务数据集COCO-Tasks上对TOIST进行了测试。 评估方法采用的是目标检测等视觉任务中常见的mAP（mean Average Precision） 。 简单来说，TOIST比此前的实例分割和目标检测模型SOTA模型表现更好，而有了名词-代词蒸馏方法加成的＂强化版＂TOIST，表现又比TOIST更上一层楼。 其中在目标检测任务上，相比当前最好的Yolo+GGNN，＂强化版＂TOIST的判定框精度mAP提升了10.9% ，在实例分割任务上，遮罩精度则比Mask-RCNN+GGNN高6.6% 。 至于提出的名词-代词蒸馏方法，相比TOIST原版，又在实例分割任务上分别提高了2.8% 和3.8% 的精度。 具体到案例表现上，模型效果也与实际分割真值非常接近。 例如在图（d）中，算法甚至识别出来了能用桌子开啤酒瓶盖 ，可以说是理解能力满分了： 对于做这项研究的初衷，作者回应称： 我们实验室其实是负责研究机器人的，但在平时的调研中发现，用户有时候会更倾向于给机器人描述＂需求＂，而不是直接告诉机器人做什么。 换而言之，就是用AI算法让机器人＂多想一步＂，而非只是一个听从命令的助手。作者介绍 这篇论文的作者来自清华大学智能产业研究院（AIR） 、北京大学和英特尔研究院，AIR院长张亚勤也是作者之一。 论文一作李鹏飞，清华大学智能产业研究院的在读博士生，本科毕业于中国科学院大学，研究方向是自动驾驶、计算机视觉等。 通讯作者赵昊，清华大学智能产业研究院助理教授（incoming Assistant Professor） 、英特尔中国研究院研究科学家、北大联合博士后，本博毕业于清华大学电子工程系，研究兴趣是机器人、计算机视觉方向。 对视觉-语言大模型感兴趣的小伙伴们，可以试试这个新思路了~ 论文地址： https://arxiv.org/abs/2210.10775 项目地址： https://github.com/AIR-DISCOVER/TOIST — 完 — 量子位 QbitAI · 头条号签约 关注我们，第一时间获知前沿科技动态