近日，CVPR 2023 VIZWIZ Grand Challenge Workshop 竞赛成绩公布。小视科技参赛团队在显著性目标检测赛道获得第一名，在视觉问答赛道中获得第三名。

小视团队夺得显著性目标检测赛道冠军

小视团队夺得视觉问答赛道季军

01 VizWiz Grand Challenge 双赛道获“一冠一季”

CVPR是世界顶级的计算机视觉会议三大顶会之一，由IEEE主办，有着计算机视觉领域“奥斯卡”的美誉。本届VIZWIZ Grand Challenge Workshop 是由微软、苹果和科罗拉多大学博尔德分校等共同在CVPR上举办的国际性赛事。

这项比赛旨在解决视力障碍人群提出的需求，通过提升视觉算法的精度，满足他们对感知周围环境的需求，进而促使计算机视觉社区合作开发辅助技术的算法。

02 显著性目标检测赛道 小视冠军方案

显著性目标检测是CV领域的一项重要任务，旨在识别图片中最具显著性的目标物体或区域，让计算机理解图像中的哪些部分是人们关注的重点。

官方提供的数据集，图片均由视障人士拍摄

官方数据集包括训练集19116张图片、验证集6105张图片、测试集6779张图片。

我们使用多模态模型预测得到显著图像的描述，如下图food，扩散模型根据描述在对应的位置生成目标，再分割得到生成图像对应的mask。利用这种方式能够有效的生成大量高质量的数据，增加数据的多样性。

生成图像及其mask的流程

我们以SelfReFormer作为基础框架，利用视觉大模型预训练权重提升了图像编码器（ImageEncoder）特征提取的能力。

图像编码器参数量对比

SelfReformer模型架构图

通过加入T2T模块的转化，将多个尺度特征进行融合，增加了模型对显著性目标的鉴别能力，带来了稳定的涨点。

T2T模块多尺度示意图

除此之外，我们利用投票机制进行模型选择，最终融合了SwinTransFormerv2和Dinov2两个编码器的结果。其他的trick比如二值化阈值调整、不同尺寸的腐蚀操作都会有微小的涨点。

我们的方案共有Sm、Em、Iou三项指标位列第一，总排名第一。

03 视觉问答赛道 小视季军方案

视觉问答任务要求模型理解问题的语义、图像的视觉内容以及两者之间的关系，回答基于图像的问题。

VIZWIZ VQA数据集中，每个问题都收集了10个人的回答。采集的图片存在拍摄场景不完整、模糊或不清晰，收集的问题和回答也较为口语化。

官方提供了20523个图片-问题对作为训练集，4319个作为验证集，8000个作为测试集。

官方数据集

数据增广上，我们使用与显著性赛道相似的方式增加数据的多样性，使用多模态大模型生成对应的问题-答案对，有效扩充了图片和语料数据。

我们以Blip2作为基础框架。对语料进行了prompt增强，对视觉和语言大模型结合的部分Q-Former进行微调，LLM部分适配T5，VIT-L, VIT-G等多种大模型预测回答的结果，最终基于投票机制对多个模型的预测结果进行融合。

Blip2模型架构图

在本次比赛中，我们不仅丰富了在视觉大模型领域的技术栈，更是基于大模型强大的特征表示和模式识别能力，提升了生产算法在目标检测、追踪、分类，分割任务上的精度和场景泛化性，加速了我们的算法在各种复杂场景下的落地和实际应用能力。

比赛落幕，小视团队在全球AI开发者面前充分展示了自身的技术硬实力。

“一冠一季”的好成绩收入囊中后，小视团队希望能为计算机视觉技术的发展，尤其是大模型应用探索更多的落地空间，为AI惠及智慧城市、工业生产、机器人等领域积累更多技术储备。