中科院信工所、北航、合工大、美团等单位联合提出了一种名为AL-Ref-SAM 2的方法。
这种方法利用GPT-4和SAM-2来统一多模态分割，让系统在免训练的情况下，也能拥有不亚于全监督微调的性能！
≥ 全监督方法
多模态分割主要有两种方法：一种是依据文字描述找到视频中特定对象的分割方法（RVOS），另一种是通过声音识别视频中发声对象的方法（AVS）。
免训练的多模态视频指代分割虽然在数据和训练成本上有较大优势，却由于缺乏在特定任务数据上针对性的模型参数调整，导致性能与全监督方法有较大差距。
而研究团队要解决的就是这个问题。
实验中，他们对多个RVOS基准数据集进行了广泛验证，包括Ref-YouTube-VOS、Ref-DAVIS17和MeViS，同时在AVSBench的多个子集上也进行了测试。
最后的实验结果显示，AL-Ref-SAL 2在这些数据集上的表现不仅优于其他无需训练和弱监督的方法，并且甚至在一定情况下，系统的性能可以与全监督方法相媲美。
特别是在Ref-YouTube-VOS和Ref-DAVIS17这两个数据集上，AL-Ref-SAM 2的表现甚至超过了大多数全监督方法。
△ 免训练设置下三阶段分割基线方法(a)与本文方法(b)的比较
具体咋实现的？
研究团队把AL-Ref-SAM 2的算法分成了三个阶段：
第一阶段：获取形式统一的指代信息，对于RVOS任务，指代信息是输入的文本描述本身，而对于AVS任务，研究人员们利用LBRU模块将音频转化为对发声对象的语言形式描述。
第二阶段：根据语言指代和视频内容，利用GPT-4进行两阶段时空推理，从视频中逐步选出关键帧和关键框。
第三阶段：以关键帧为分割起点，关键框为初始提示，利用SAM 2获得目标对象在整段视频中的分割掩码序列。
△ AL-Ref-SAM 2的整体流程
具体实验细节，请看下文展开~
语言绑定的音频指代转换（LBRU）
LBRU将音频信号转换为与语言描述统一的格式（例如“[CLS] that is making sound”，其中[CLS]代表了具体的发声对象类别），以减少音频信息中的语义模糊性和冗余性。
为了获取发声对象的准确类别，LBRU利用了一个预训练音频分类器，如BEATs，对音频进行分类，并保留置信度前k高的类别文本。
由于这些类别中可能包含了重复类别或背景声类别，LBRU进一步引入了视频作为视觉上下文，利用GPT-4根据视频内容对音频类别进行过滤、合并，并将保留的音频类别转化为发出该声音的对象类别。
△ 语言绑定的音频指代转换模块
GPT辅助的关键帧/框选择（GPT-PS）
GPT-PS利用GPT-4分别进行时序推理选出关键帧，以及空间推理选出关键框。
在时序推理阶段，为了使GPT可以处理视频格式的内容，研究团队首先对视频帧进行采样，将采样后的若干帧拼接为一张图并在图上标出帧号。
为了显式引导GPT在理解视频内容的基础上选择关键帧，他们还针对性地设计了关键帧思维链提示模板，要求GPT首先描述整段视频的场景，再根据语言指代选出关键帧。
之后，研究人员将语言指代信息和关键帧输入GroundingDINO模型中，获得多个可能的候选框。
在空间推理阶段，首先将候选框画在关键帧上，并且依旧将其与其他采样帧顺序拼接作为视觉信号输入GPT。
类似地，他们也设计了关键框思维链提示模板，要求GPT描述每个候选框中对象的特征和不同对象之间的关系，并对指代信息进行语法分析确定真正的指代主体，最后再根据语言指代选出包含目标对象的候选框作为关键框。
以下是研究团队得出的相关数据：
论文链接：https://arxiv.org/pdf/2408.15876
代码链接：https://github.com/appletea233/AL-Ref-SAM2
