让它给每个像素分类:删掉两块就够了(MaskCLIP)
这一章讲三件事: 「给每个像素一个答案」这件事为什么不能靠微调解决; 为什么删掉两个零件反而让分数翻倍; 以及这个只有几十行改动的东西,怎么变成了训练别的网络的免费标注机。 它在全书链条里的位置: 第 12 章处理「不知道东西在哪儿」的办法是换问法, 这一章的办法是往回看——它发现那个能力原本就在权重里,只是被最后一步平均掉了。 第 02 章第 5 节讲的那一层,就是这一章的手术台。
这也是全书「先做减法」这条线最纯粹的一次:整章的核心改动是删掉两个层,一个新参数都没加。
1. 顶层全景:一条先失败、再减法、再借力的链
想要的东西
「这张图里,哪些像素是狗、哪些是草、哪些是天空?」
—— 而这三个类的像素级标注,一张都没有
│
第一条路:按标准流程微调
│ 拿 CLIP 的权重初始化一个分割网络,再把文本嵌入映成分类器,一起训
✗ 学过的类 83.4,**没学过的类 3.7** —— 基本全废
│ 归因:**微调把 CLIP 原有的图文关联弄坏了**
│
掉头:不改任何权重,回去看最后那一层到底在算什么
✓ 发现:**每个位置的答案一直都在,只是最后被加权平均成了一个**
│
减法:删掉 query 和 key 两个嵌入层
✓ 8.3 → 18.5(**这一个动作就翻了一倍多**)
│
两个不用训练的精修:按 key 的相似度抹平、把不可能出现的类整个丢掉
✓ → 21.8
│
借力:拿它的输出当「标准答案」去训一个正经的分割网络
▼
→ 23.9(同一条链);换到另一个基准上,没学过的类 3.7 → 72.8 → 86.1
图说:注意这条链的形状——**失败在前,而且失败的归因直接指出了成功的方向。**
「微调会破坏图文关联」这句话,同时是第一条路的死因和第二条路的设计原则。
这一章的主走查,从头到尾锁死同一套配置:一张「狗 + 草地 + 天空」的图, 主干是 CLIP 的 ResNet-50 版,量的是一个 59 类的场景分割数据集上的 mIoU。
| 步 | 做了什么 | 分数 |
|---|---|---|
| ① | 什么都不改,直接把最后那层里每个位置各自的那串数拿出来用 (这种「不做汇总、每个位置各留一份」的东西叫稠密特征) | 8.3 |
| ② | 删掉 query 和 key 两个嵌入层,把剩下两层改写成 1×1 卷积 | 18.5 |
| ③ | 再加「按 key 的相似度把邻近块的预测抹平」 | 21.0 |
| ④ | 再加「把在所有位置置信度都低于 0.5 的类整个丢掉」 | 21.8 |
| ⑤ | 拿它的输出当标准答案,训一个正经的分割网络 | 23.9 |
换成 ViT-B/16 版主干,同一条链是 9.0 → 21.7 → 23.9 → 25.5 → 31.11。 这些数全是书里的真数,那张「狗 + 草地 + 天空」的图是我们为了讲解设的场景。
⚠️ 后面第 8 节还会出现 3.7 / 72.8 / 86.1 这三个数。 它们来自另一个数据集、另一种设定,不是上面这条链的续集。 那一节会当场再说一遍。
2. 分割和分类差在哪:从一个答案变成几万个
这一节回答:为什么前面十二章那套东西不够用?
三种任务,一路加要求
| 任务 | 要回答什么 | 输出 |
|---|---|---|
| 分类(第 01–11 章) | 这张图是什么 | 一个答案 |
| 检测(第 12 章) | 有哪些东西、各在哪个框里 | 一串「框 + 类别」 |
| 分割(这一章) | 每一个像素分别属于谁 | 一张和原图一样大的答案图 |
一张 512×512 的图有二十六万个像素,所以这类任务的正式叫法是稠密预测—— 稠密指的就是「答案要铺满整张图,一个位置都不能空」。
卡点摆在明面上
CLIP 训练时见到的是「整张图配一句话」,它从没见过任何像素级的标注。 书里对这一章的定位就是一句问话:这些特征里,有没有藏着足够的局部语义?2
作者的信念是「有」,理由挺有说服力3:
一句图注常常是「击球手准备挥棒,而裁判在旁边看着」这种句子。 要把这句话和正确的图配上,模型必须把图切成局部—— 「人」「球棒」「挥棒」「裁判」各自对上一块,而不是把整张图当一个整体处理。 只用类别标签训练是逼不出这种能力的。
评分标准也得先讲,不然后面的数没法读
① 对每一个类,把「模型说是这个类的像素」和「真正是这个类的像素」两堆比一比:
交集 ÷ 并集 —— 和第 12 章那个交并比是同一个算法,只是从「框」换成了「像素」
② 每个类各得一个分,再对所有类取平均
图说:这个平均分叫 **mIoU**,越高越好,满分 100。
**参照物很要紧:同一个数据集上,拿全部标注从头训一个专门的分割网络,大约能到 40 上下;
而本章第 ① 步的 8.3 是「一张标注都不给」的起点。**
(这个「40 上下」 的参照是我们从本章零样本那张表里的全监督对照读出来的,
书里没有在这张表旁边给参照物。)
3. 先讲失败:按常规做法试了一遍,全废
书里把失败写在成功前面,这在论文改写的章节里很少见,值得慢读一遍。
常规做法是什么
分割网络的标准训练流程有三步4:
① 拿一个在大图像库上预训练好的主干当起点
② 在它后面加几个专门为分割设计的模块(新加的,权重是随机的)
③ 主干和新模块一起训
图说:这套流程是这一行十年来的默认动作,几乎所有分割网络都这么来的。
把 CLIP 塞进这套流程,只需要改两处
改法很自然4:
| 改哪儿 | 改成什么 | 为什么这么改 |
|---|---|---|
| 主干的起点 | 从「大图像库预训练的权重」换成 CLIP 图像编码器的权重 | 想借 CLIP 的本事 |
| 最后那个分类层 | 加一个映射器(一个小网络,把输入的一串数变成另一串数; 这里是把类名的那串数变成分类层要用的权重) | 想保住「换一批类名就换一个分类器」的能力 |
如果这行得通,那就完美了: 换类名就能分割新类,不用重训。
结果
书里说,试了一系列不同的映射器结构,结论是同一个4:
| 学过的类 | 没学过的类 | |
|---|---|---|
| 这套改造过的分割网络 | 83.4 | 3.7 |
学过的类分数很漂亮,没学过的类基本等于零。 (3.7 意味着几乎每个像素都判错;这两个数出自第 8 节那张表,是另一个数据集上的。)
三条归因,落点是一句话
作者给了三条原因4:
- 主干的结构和 CLIP 的图像编码器不完全一样——一开始就不是同一个东西了;
- 从 CLIP 那里拿来的权重,在微调过程中被改掉了;
- 那个映射器只在学过的类上训过,所以它推广不出去。
三条合起来是一句话:微调把 CLIP 原有的图文关联破坏了。
这句话是全书出现次数最多的一条经验,而且是三处互相独立的证据之一: 这一章的失败实验是第一处;第 08 章的消融(四组参数里调视觉编码器那一组最差)是第二处; 第 12 章「提升新类不牺牲旧类」的对照是第三处。第 20 章会把三处放在一起结账。
4. 掉头:那个能力原本就在,只是被平均掉了
这一节是全章的枢纽,而它的全部内容第 02 章第 5 节已经铺好了。
回忆那一层
CLIP 的 ResNet 版图像编码器,最后一层叫注意力池化。第 02 章讲过它干什么:
① 把各位置的表示求个平均,得到一个「全图平均特征」
② 拿它当 query —— 全场只有这一个 query
③ 每个位置照常出自己的 key 和 value
④ 打分、摊平、按比例把各位置的 value 加权求和
⑤ 结果再过一个线性层,输出整张图的那串数
图说:这一层的产物是「整张图一串数」——第 01 章比相似度用的就是它。
关键的一步观察
作者盯住的是第 ④、⑤ 两步的顺序5:
输出 = 线性层( Σᵢ 权重ᵢ × valueᵢ )
= Σᵢ 权重ᵢ × 线性层( valueᵢ ) ← 线性层可以挪进求和里面
图说:右边那个式子里,**「线性层(valueᵢ)」是一个只跟位置 i 有关的东西。**
也就是说:整张图的那串数,本来就是**各个位置各自的那串数的加权平均**。
书里对这件事的说法是:每个位置上算出来的那个东西, 本身就已经捕捉到了这个位置丰富的局部语义,而且和 CLIP 文本嵌入里的词对得上5。
一句话:各位置的答案一直都在,只是最后被平均成了一个。 想要稠密预测,不需要学任何新东西——只需要不做那次平均。
5. 减法:删掉两个层,分数翻倍
这一节是主走查第 ② 步,也是全书最能说明「先做减法」的一处。
具体删了什么
改动只有两条6:
改动一:**删掉 query 和 key 两个嵌入层**
—— 不再算「哪个位置该占多大权重」,因为根本不做加权求和了
改动二:把 value 那一层和最后的线性层,**改写成两个 1×1 卷积**
（1×1 卷积 = 对每个位置各做一次同样的线性变换,位置之间互不影响。
这不是换算法,只是换一种写法,好让它输出一张和特征图一样大的结果）
没改的:**文本编码器一个字都没动。**
每个类名过一遍文本编码器得到的那串数,直接当这一层的分类器权重用。
图说:整套改动**没有新增一个可训练的参数,也没有做一次训练**。
这就是它被叫做「零样本」的理由——第 01 章那种零样本,只是从整张图变成了每个像素。
结果
同一个主干、同一份权重,分数从 8.3 变 18.51。
8.3 是什么: 是「什么都不改、直接把最后那层的稠密特征拿出来用」。 对照物摆在这儿才看得出分量:一个删除动作,把分数抬了一倍多。
为什么不改就不行
有一个很自然的反问:注意力本来就是自注意力,不改它照样能出每个位置的特征,何必删?
书里的回答很硬7:
因为预训练时全场只训过那一个 query(那个全图平均特征)。 别的位置从来没当过 query,所以拿它们当 query 算出来的注意力是没有意义的。
这正是那个 8.3 的来历——它就是「不删、直接用」的做法。
ViT 版也能做同一台手术
第 02 章说过,ViT 那一层和注意力池化只差两点:全局 query 来自 [CLS] 而不是平均值, 以及多一条把输入直接加到输出上的连线。所以换掉这两点,同一套删法照样成立7。
6. 两个不花钱的精修
这一节是主走查第 ③、④ 步。两个办法都不需要训练,加上去就有。
精修一:按 key 的相似度把预测抹平
上一节把 key 删掉了,但 key 本身是训练过的、有信息的。书里把它捡回来用8:
想法:key 可以看成「这一块长什么样」的描述。
**长得像的两块,答案也该像。**
做法:算所有位置两两之间 key 的余弦相似度,
按这个相似度把每个位置的预测和别的位置的预测混一混
例:狗身上有一块被判成了「牛」,
但它周围几块的 key 和它很像、都判成「狗」→ 混完之后它也变成「狗」
图说:书里管这叫**键平滑**。18.5 → 21.0。
(那个「被判成牛的块」是我们为了说明设的例子。)
精修二:把根本不可能出现的类整个丢掉
问题很实在:数据集有 59 个类,而一张图里通常只出现三五个。 剩下那五十多个类全是干扰项8。
做法:先扫一遍全 图。**如果某个类在所有位置上的置信度都低于 0.5,
就把这个类整个从候选里删掉**,再重新判一次。
例:这张图里「飞机」在每个位置的置信度都不到 0.5 → 删掉「飞机」这个候选
→ 原本有几块因为「飞机」抢了分而判错的,现在判对了
图说:书里管这叫**提示去噪**。18.5 → 19.0;两个精修一起用 → **21.8**。
书里对两者的性格做了对照: 键平滑更激进——输出干净得多,但会被少数几个类主导9。 这是一条很诚实的观察:它不是纯赚的。
7. 借力:把它当免费的标注机
这一节是主走查第 ⑤ 步,也是这个方法真正被用起来的方式。
它自己的天花板在哪儿
问题不在方法,在架构:它必须用 CLIP 的图像编码器,而那是为分类设计的10。 分割这一行有更合适的网络结构,但那些结构用不了 CLIP 的权重。
绕法:让它去教别人
① 同一张图,同时喂给两个网络:
MaskCLIP(冻住不动) 和 一个正经的分割网络(要训的)
② MaskCLIP 吐出的那张答案图,**直接当成标准答案**
—— 这种「机器自己造出来的标准答案」叫**伪标签**
③ 拿它去训那个正经的分割网络
④ 把目标网络的分类器也 换成 MaskCLIP 那个(类名嵌入当权重),
**这样它照样保得住「换一批类名就能分新类」的能力**
图说:注意这里没有一张人工标注。**整条流水线的监督信号,
全部来自一个不需要训练的模型的输出。**
训到一定程度会到顶。 书里说大约在标准训练轮次的十分之一处就已经到了上限 (训练轮次:训一个网络之前会先定好「把训练数据整个过多少遍」,这个预定的量就叫它)—— 因为到那时候学生已经比老师强了11。
接下来换成让学生给自己出题: 拿目标网络自己的预测当伪标签继续训。 这个做法叫自训练。
为什么用伪标签而不是让它去学 CLIP 的特征
书里专门解释了这个选择12:
目标网络的结构和 CLIP 的图像编码器差得太远,逼它去对齐特征多半是次优的; 而且已有工作报告过,那种特征级的引导会在学过的类和没学过的类之间造成冲突。 用伪标签则观察不到学过的类掉分。
8. 效果:三组数,而且必须分清是哪一组
这一节最容易读岔,所以先把三组数摆开。
| 哪一组 | 什么设定 | 数长什么样 |
|---|---|---|
| A. 主走查那条链 | 一张标注都没有,59 个类全部没学过 | 8.3 → 18.5 → 21.8 → 23.9(ResNet-50) |
| B. 零样本分割 | 一部分类有标注,另一部分只有像素没标签 | 没学过的类比此前最好的方法高 50.5 / 24.4 / 46.0 |
| C. B 的消融表 | 同上,只看其中一个数据集 | 3.7 → 72.8 → 86.1 |
A 组:一张标注都不给
见第 1 节那张表。主干换成 ViT-B/16 之后全线更好(9.0 → 21.7 → 25.5 → 31.1), 书里给的理由在第 9 节。
B 组:比此前最好的方法高出四五十分
这一组的设定不一样: 一部分类有像素级标注,另一部分类的像素在训练时能看到、但没有标签 (这种设定业内叫直推式)。这时候只需要给没标签的那些像素配上伪标签13。
没学过的类的分数,在三个数据集上分别比此前最好的方法高 50.5、24.4、46.0—— 满分是 100。 更值得记的一条:总分已经和全监督对照基本持平 (全监督:每一个像素都有人工标注,拿这些标注从头把网络训一遍——这是这一行的上限参照)。
C 组:那张最能说明问题的消融表
这就是第 3 节那个 3.7 的出处14:
| 做法 | 学过的类 | 没学过的类 |
|---|---|---|
| 常规微调改造出来的分割网络 | 83.4 | 3.7 |
| + 用 MaskCLIP 的输出当伪标签 | 89.5 | 72.8 |
| + 再自训练一轮 | 88.8(掉了 0.7) | 86.1 |
三条读法:
- 3.7 → 72.8 是这本书里单个改动带来的最大跳变,而这个改动只是「换一个监督信号」;
- 自训练还能再抬 13 分多,代价是学过的类掉 0.7—— 作者把这归因于模型漂移(学生自己给自己出题,错误会慢慢累积);
- 学过的类不但没掉,还从 83.4 涨到了 89.5—— 这一条呼应第 7 节那个「用伪标签不会伤到学过的类」的判断。
9. 主干怎么选:一个很实际的结论
书里给了两条互相独立的理由,都指向 ViT 版。
① 下采样倍数。 ResNet 版把图缩小 32 倍才输出,ViT-B/16 只缩小 16 倍—— 输出的答案图分辨率差一倍,对稠密预测明显不利。 (下采样倍数:网络内部会一步步把图变小以省算力; 「缩小 32 倍」意思是 512×512 的图最后只剩 16×16 个位置,每个位置要负责原图上 32×32 个像素。)
② 抗损伤能力差得多。 书里在原图上加了各种常见的画质损伤,分五档严重程度15:
| 损伤 | ResNet-50 | ViT-B/16 |
|---|---|---|
| 不加(基准) | 18.5 | 21.7 |
| 高斯噪声,最轻一档 | 13.7 | 19.6 |
| 高斯噪声,最重一档 | 2.1 | 6.8 |
最重那一档 ResNet 版是 2.1——比什么都不做的 8.3 还低得多,等于全废。 ViT 版也掉得厉害,但还剩 6.8。
判断(我们的,不是书里的): 这张表比它在书里的位置(一个稳健性小节)重要得多。 它说明这一整套方法的下限,取决于主干在画质变差时还剩多少东西—— 而真实场景里的图,画质恰恰是不可控的。 如果错,会错在: 这些损伤是人工合成的标准损伤集, 和真实世界的模糊、压缩、低光可能不是一回事; 书里也没有测「训练时见过类似损伤」的情况。
10. 作者的判断与证据
书里给了证据的:
| 说法 | 证据 |
|---|---|
| 常规微调在没学过的类上失败 | 试了一系列映射器结构,结论一致;消融表里 3.7 |
| 删掉 query 和 key 有效 | 8.3 → 18.5(ResNet)、9.0 → 21.7(ViT) |
| 不删直接用不行 | 那个 8.3 本身就是「不删」的分数 |
| 两个精修有效 | 18.5 → 21.0(键平滑)、→ 19.0(提示去噪)、→ 21.8(一起) |
| 键平滑更激进 | 定性对比图:输出更干净但被少数类主导 |
| 当伪标签用能突破架构限制 | 三个数据集上大幅领先,总分与全监督持平 |
| 用伪标签不伤学过的类 | 83.4 → 89.5 |
| 自训练还能再抬,但有代价 | 72.8 → 86.1,学过的类 89.5 → 88.8 |
| ViT 版更适合稠密预测 | 全线更好 + 抗损伤表 |
属于作者的推断:
- 「CLIP 的特征里藏着局部语义」——书里用的措辞是「我们相信」, 这是一个先信了再去试的假设,后来被结果支持,但不是先验证再做的;
- 微调失败的三条归因——书里用的是「我们假设主要是因为」,三条都没有被单独拆开验证;
- 自训练掉 0.7 是模型漂移造成的——原文用的是「部分归因于」。
11. 边界与局限
① 它受制于 CLIP 的图像编码器。 这是书里自己承认的:方法本身没有架构自由度, 所以才需要第 7 节那套借力10。
② ResNet 版在画质变差时基本全废(2.1)。见第 9 节。
③ 自训练会让学过的类轻微掉分(0.7)。书里照实写了,并给了归因。
④ 那两个精修没有单独的失败分析。 键平滑「会被少数几个类主导」这句是定性观察, 书里没有量化它在什么情况下会帮倒忙。
⑤ 三组数的设定各不相同,而书里没有在正文里明确警告这一点。 A 组是「全部类都没学过」,C 组是「一半类有标注」—— 3.7 和 8.3 都是「起点」,但它们不是同一条链上的起点。 这一条是我们读出来的,不是书里的提醒。
12. 可带走的
- 分割 = 每个像素都要一个答案,这类任务的正式叫法是稠密预测;
- 评分标准是 mIoU:每类算「交集 ÷ 并集」,再对所有类平均;
- 常规微调会失败,而且失败得很彻底:学过的类 83.4,没学过的类 3.7;
- 失败的归因是一句话:微调破坏了 CLIP 原有的图文关联—— 这是全书三处互相独立的证据之一;
- 成功的一招是纯减法:删掉 query 和 key 两个嵌入层,把剩下两层改写成 1×1 卷积;
- 理由是一步代数:整张图的答案本来就是各位置答案的加权平均, 所以各位置的答案一直都在,只是被平均掉了;
- 一个删除动作把 8.3 变成 18.5,没有新增一个参数、没有做一次训练;
- 不删直接用不行,因为预训练时全场只训过那一个 query;
- 两个免训练的精修:按 key 的相似度抹平(键平滑)、把不可能出现的类丢掉(提示去噪),到 21.8;
- 键平滑不是纯赚的:输出更干净,但会被少数几个类主导;
- 它的天花板是架构,绕法是当免费标注机:输出当伪标签去训一个正经的分割网络;
- 训到标准轮次 的十分之一就到顶,之后换成自训练;
- 用伪标签而不是特征对齐,因为两个网络结构差太远,而且特征对齐会伤到学过的类;
- 主干选 ViT 而不是 ResNet:下采样 16 倍对 32 倍,而且画质变差时 ResNet 版基本全废(2.1)。
13. 原文地图
| 主题 | 原书章 | 原文位置 |
|---|---|---|
| 这一章要问什么:稠密特征里有没有局部语义 | 11. Unlocking CLIP for Zero-Shot Dense Segmentation | text/41-ch11-11-unlocking-clip-for-zero-shot-dense-segmentati.txt:39(搜「sufficient local and object-level semantics」) |
| 为什么相信有:一句图注逼出局部对齐 | 同上 | text/41-ch11-11-unlocking-clip-for-zero-shot-dense-segmentati.txt:75(搜「the man at bat readies to swing」) |
| 常规流程三步,以及两处 CLIP 化改动 | 同上 | text/41-ch11-11-unlocking-clip-for-zero-shot-dense-segmentati.txt:79(搜「de facto pipeline」) · text/41-ch11-11-unlocking-clip-for-zero-shot-dense-segmentati.txt:81(搜「a mapper」) |
| 失败与三条归因 | 同上 | text/41-ch11-11-unlocking-clip-for-zero-shot-dense-segmentati.txt:91(搜「visual-language association of CLIP features has been broken」) |
| 注意力池化的展开式与那步关键观察 | 同上 | text/41-ch11-11-unlocking-clip-for-zero-shot-dense-segmentati.txt:95(搜「global attention pooling layer」) · text/41-ch11-11-unlocking-clip-for-zero-shot-dense-segmentati.txt:103(搜「already captures a rich response of local semantics」) |
| 两条改动:删 query/key、改写成 1×1 卷积 | 同上 | text/41-ch11-11-unlocking-clip-for-zero-shot-dense-segmentati.txt:107(搜「removing the query and key embedding layers」) |
| 为什么不改不行:只训过一个 query;ViT 版怎么改 | 同上 | text/41-ch11-11-unlocking-clip-for-zero-shot-dense-segmentati.txt:109(搜「the only query trained during the CLIP pre-training」) |
| 键平滑与提示去噪 | 同上 | text/41-ch11-11-unlocking-clip-for-zero-shot-dense-segmentati.txt:115(搜「key smoothing and prompt denoising」) · text/41-ch11-11-unlocking-clip-for-zero-shot-dense-segmentati.txt:121(搜「less than a threshold」) |
| 键平滑更激进(定性) | 同上 | text/41-ch11-11-unlocking-clip-for-zero-shot-dense-segmentati.txt:161(搜「KS is more aggressive」) |
| 架构受限,所以当伪标签生成器 | 同上 | text/41-ch11-11-unlocking-clip-for-zero-shot-dense-segmentati.txt:125(搜「its network architecture is rigid」) · text/41-ch11-11-unlocking-clip-for-zero-shot-dense-segmentati.txt:129(搜「pseudo-ground-truth labels」) |
| 为什么用伪标签而不是特征蒸馏 | 同上 | text/41-ch11-11-unlocking-clip-for-zero-shot-dense-segmentati.txt:133(搜「structurally distinct from the image encoder」) |
| 训到 1/10 到顶,之后自训练 | 同上 | text/41-ch11-11-unlocking-clip-for-zero-shot-dense-segmentati.txt:137(搜「1/10 of the standard training schedule」) |
| 主表:8.3 / 18.5 / 21.8 / 23.9 与 ViT 版 | 同上 | text/41-ch11-11-unlocking-clip-for-zero-shot-dense-segmentati.txt:183(搜「8.3」) · text/41-ch11-11-unlocking-clip-for-zero-shot-dense-segmentati.txt:197(搜「18.5」) · text/41-ch11-11-unlocking-clip-for-zero-shot-dense-segmentati.txt:253(搜「31.1」) |
| 抗损伤表 | 同上 | text/41-ch11-11-unlocking-clip-for-zero-shot-dense-segmentati.txt:289(搜「2.1」) · text/41-ch11-11-unlocking-clip-for-zero-shot-dense-segmentati.txt:371(搜「various corruptions used in ImageNet-C」) |
| 零样本设定与三个数据集的领先幅度 | 同上 | text/41-ch11-11-unlocking-clip-for-zero-shot-dense-segmentati.txt:379(搜「inductive」) · text/41-ch11-11-unlocking-clip-for-zero-shot-dense-segmentati.txt:385(搜「50.5, 24.4, and 46.0」) |
| 消融表:3.7 / 72.8 / 86.1 与模型漂移 | 同上 | text/41-ch11-11-unlocking-clip-for-zero-shot-dense-segmentati.txt:637(搜「from 3.7 to 72.8」) · text/41-ch11-11-unlocking-clip-for-zero-shot-dense-segmentati.txt:653(搜「3.7」) |