Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

DINO-R1: Incentivizing Reasoning Capability in Vision Foundation Models

Created by
  • Haebom

저자

Chenbin Pan, Wenbin He, Zhengzhong Tu, Liu Ren

개요

본 논문은 시각적 기초 모델(예: DINO 시리즈)에서 강화 학습을 활용하여 맥락 내 추론 능력을 향상시키는 최초의 시도인 DINO-R1을 제안합니다. 기존의 언어 모델에서 성공적으로 사용된 GRPO(Group Relative Policy Optimization)를 시각 모델에 적용한 GRQO(Group Relative Query Optimization)라는 새로운 강화 학습 기반 훈련 전략을 도입하여 쿼리 기반 표현 모델에 맞춰 설계하였습니다. KL-정규화를 추가하여 객체성 분포를 안정화하고 과적합 및 분포 이동을 완화합니다. Grounding-DINO를 기반으로 시각 프롬프트 인코더와 시각 안내 쿼리 선택 메커니즘을 통합한 DINO-R1 모델 시리즈를 훈련시켰으며, COCO, LVIS, ODinW 데이터셋에서의 실험 결과, DINO-R1은 지도 학습 기반 미세 조정 기준 모델보다 성능이 훨씬 뛰어나며, 개방형 어휘 및 폐쇄형 집합 시각 프롬프팅 시나리오 모두에서 강력한 일반화 성능을 보입니다.

시사점, 한계점

시사점:
시각 기초 모델에 강화 학습을 적용하여 맥락 내 추론 능력을 향상시키는 새로운 방법 제시
GRQO라는 시각 모델에 특화된 새로운 강화 학습 기반 훈련 전략 제안
KL-정규화를 통한 훈련 안정성 향상 및 과적합 방지
개방형 어휘 및 폐쇄형 집합 시각 프롬프팅 시나리오에서 우수한 성능 달성
기존 지도 학습 기반 미세 조정 방식 대비 성능 향상
한계점:
본 논문에서 제시된 DINO-R1 모델의 성능 평가는 특정 데이터셋(COCO, LVIS, ODinW)에 국한됨. 다양한 데이터셋으로의 일반화 가능성에 대한 추가 연구 필요.
강화 학습 기반 훈련의 계산 비용 및 훈련 시간에 대한 고려 필요.
다른 시각 기초 모델이나 강화 학습 기법과의 비교 분석이 부족. 다양한 모델 및 기법과의 비교를 통해 일반화 가능성과 우수성을 더욱 확실히 검증할 필요가 있음.
👍