Il Set-of-Mark Prompting Rivela Capacità Straordinarie di Grounding Visivo in GPT-4V

Set-of-Mark Prompting Unleashes Extraordinary Visual Grounding in GPT-4V

October 17, 2023

Autori: Jianwei Yang, Hao Zhang, Feng Li, Xueyan Zou, Chunyuan Li, Jianfeng Gao

cs.AI

Abstract

Presentiamo Set-of-Mark (SoM), un nuovo metodo di prompting visivo, per sfruttare le capacità di grounding visivo dei grandi modelli multimodali (LMMs), come GPT-4V. Come illustrato nella Fig. 1 (a destra), utilizziamo modelli di segmentazione interattiva già disponibili, come SAM, per suddividere un'immagine in regioni a diversi livelli di granularità, e sovrapporre queste regioni con un insieme di marcatori, ad esempio alfanumerici, maschere o riquadri. Utilizzando l'immagine marcata come input, GPT-4V può rispondere a domande che richiedono grounding visivo. Condurremo uno studio empirico completo per validare l'efficacia di SoM su un'ampia gamma di task visivi e multimodali di dettaglio. Ad esempio, i nostri esperimenti dimostrano che GPT-4V con SoM supera il modello di segmentazione riferita completamente addestrato allo stato dell'arte su RefCOCOg in un contesto zero-shot.

English

We present Set-of-Mark (SoM), a new visual prompting method, to unleash the visual grounding abilities of large multimodal models (LMMs), such as GPT-4V. As illustrated in Fig. 1 (right), we employ off-the-shelf interactive segmentation models, such as SAM, to partition an image into regions at different levels of granularity, and overlay these regions with a set of marks e.g., alphanumerics, masks, boxes. Using the marked image as input, GPT-4V can answer the questions that require visual grounding. We perform a comprehensive empirical study to validate the effectiveness of SoM on a wide range of fine-grained vision and multimodal tasks. For example, our experiments show that GPT-4V with SoM outperforms the state-of-the-art fully-finetuned referring segmentation model on RefCOCOg in a zero-shot setting.