摘要

什么是物体？这一直是计算机视觉领域的一个长期问题。为了评估物体性，已经开发了多种无需学习和基于学习的方法。然而，这些方法通常在新领域和新物体上扩展性不佳。本文中，我们主张现有方法缺乏由人类可理解的语义自上而下的监督信号。首次在文献中，我们证明了使用对齐的图像-文本对训练的多模态视觉变压器（MViT）可以有效弥合这一差距。我们在不同领域和新物体上的广泛实验表明，MViT 在图像中定位通用物体方面表现出最先进的性能。鉴于现有的 MViT 通常不包含多尺度特征处理且通常需要更长的训练时间，我们开发了一种高效的 MViT 架构，该架构采用了多尺度可变形注意力机制和后期视觉-语言融合技术。我们展示了 MViT 提案在包括开放世界物体检测、显著性和伪装物体检测、有监督和无监督检测任务在内的多种应用中的重要性。此外，MViT 可以根据特定的语言查询自适应地生成提案，从而提供增强的交互能力。代码：\url{https://git.io/J1HPY}。