自监督和语言监督我全都要？Facebook多模态预训练模型SLIP给你答案！
?作者 | 殘血的三井壽
今天分享的文章是 Facebook AI Reserach（FAIR）發(fā)布在 arxiv 的文章“SLIP: Self-supervision meets Language-Image Pre-training”。
論文鏈接：
https://arxiv.org/pdf/2112.12750.pdf
代碼鏈接：
https://github.com/facebookresearch/SLIP
Motivation
現(xiàn)有的工作（SimCLR，MOCO 等）已經(jīng)證明自監(jiān)督預訓練在視覺理解方面可以取得很好的效果。CLIP 將文本作為監(jiān)督信號，對模型進行預訓練，從而取得了不錯的效果。如果將自監(jiān)督和語言監(jiān)督結合起來，能否取得加成的效果呢？FAIR 提出工作 SLIP 將自監(jiān)督與語言監(jiān)督結合起來，進行預訓練，在下游任務上取得了不錯的效果。
隨著深度學習的發(fā)展，預訓練取得了很好的效果。在計算機視覺領域，預訓練主要分為基于監(jiān)督學習的預訓練以及基于自監(jiān)督學習的預訓練。在 AlexNet 以后，研究者發(fā)現(xiàn)在大規(guī)模有標注數(shù)據(jù)集下對模型進行預訓練，模型在下游任務可以取得很好的效果。自監(jiān)督的預訓練首先在自然語言理解領域取得很好的進展，但是在視覺領域也有很多的應用。自監(jiān)督預訓練可以不需要大量的標注數(shù)據(jù)依然可以取得很好的效果。
CLIP 提出了一種新穎的表示學習方式，提出了一種在監(jiān)督學習和自監(jiān)督學習之間的形式，CLIP 僅僅需要圖片以及圖片對應的文本信息，利用對比學習的思路，對模型進行預訓練。
在 SLIP 工作中，作者想探索的問題是“在語言監(jiān)督的前提下，圖片本身的自監(jiān)督是否可以提升模型的效果？在圖像本身自監(jiān)督的前提下，語言監(jiān)督是否會提升效果？”目前尚且不清楚這兩種訓練目標是否可以同時增強。
作者使用三種檢測方法測試 SLIP 的圖片表示能力，分別是：零樣本學習方式，線形探測方式以及端到端的 finetune 方式。
模型方法
SLIP 沒有利用標注信息，結合了語言監(jiān)督以及圖片自監(jiān)督方法學習視覺表示。作者使用同一個圖像的 encoder，由自監(jiān)督 loss 和語言監(jiān)督 loss 同時對該 encoder 進行更新。
1. 對比學習圖片-文本預訓練：
CLIP 將圖片-文本對作為輸入，利用對比學習更新視覺 encoder。CLIP 首先使用文本編碼器以及視覺編碼器編碼視覺信息與文本信息，之后將視覺 embedding 與文本 embedding 經(jīng)過一個 projector 映射到統(tǒng)一的向量空間中。之后將原本的圖片文本對視為正例，將不同的圖片文本對之間的圖片與文本視為負例，通過 InfoNCE 更新模型的參數(shù)。
基于圖片-文本對的對比學習方法使得模型可以進行零樣本的圖像分類。
2. 視覺自監(jiān)督學習：
視覺自監(jiān)督學習方法首先將圖片進行數(shù)據(jù)增強得到圖片的兩個增廣，之后將相同圖片的數(shù)據(jù)增廣結果視為正例，將不同圖片之間的數(shù)據(jù)增廣視為負例，通過 infoNCE 拉近正例之間的距離，拉遠正例和負例之間的距離。
模型算法如下圖所示：
算法的想法很簡單易懂。輸入為圖片-文本對。首先對圖片進行數(shù)據(jù)增廣，之后對增廣后的圖片輸入到自監(jiān)督的 SimCLR 模型中，得到自監(jiān)督的 loss。將圖片-文本對輸入到 CLIP 中，得到語言間的 loss，之后將兩個 loss 加權求和，得到最終的 loss。
實現(xiàn)細節(jié)：
數(shù)據(jù)集：數(shù)據(jù)集 YFCC100M 的子集，該子集中包含圖片-英文描述文本對。可以稱之為 YFCC15M 數(shù)據(jù)集。我們同樣使用 CC3M 和 CC12M 評估該模型。
數(shù)據(jù)增強：對于文本，作者選取每張圖片的文章標題或者標注作為文本。對于 CLIP 方法，對圖片進行 50% 到 100% 的縮放。對于自監(jiān)督方法，使用的數(shù)據(jù)增強方法與 MOCO v3 一致。
backbone：對于視覺信息，使用 VIT-S 作為編碼器，對于文本信息，使用 trasformer 作為編碼器。
zero-shot 實驗：直接將預訓練后的模型用于實驗，使用文本監(jiān)督的方法（CLIP，SLIP）可以直接將與圖片最相關的文本作為圖片的類別，所以可以進行 zero-shot 實驗。
Linear classification（Linear probing）實驗：將預訓練好的模型凍結，之后再在后面加入分類層，僅僅更新分類層的參數(shù)，而不更新其他的參數(shù)。
end-to-end finetune 實驗：將整個 encoder 和 classifer 進行參數(shù)更新。
實驗分析
1. ImageNet Classification：一般情況下的自監(jiān)督方法都是在無標注的 ImageNet 數(shù)據(jù)集上進行預訓練，之后再使用有標注的 ImageNet 對模型進行微調整。本文作者嘗試在 YFCC15M 數(shù)據(jù)集上對 SimCLR 和 MOCO v3 進行預訓練，之后在 ImageNet 數(shù)據(jù)集對模型進行微調。
實驗結果表明使用 YFCC15M 數(shù)據(jù)集進行預訓練后，模型性能下降很多。
作者使用 CLIP，SimCLR 以及 SLIP 在 ImageNet 數(shù)據(jù)集上進行實驗。發(fā)現(xiàn) SLIP 的效果是最好的。
2. 參數(shù)實驗：
作者使用不同參數(shù)量的 ViT 進行實驗，同時使用更多的 Epoch 進行實驗，得到結果。可以發(fā)現(xiàn)隨著模型參數(shù)量增多，以及模型的訓練時間增強，模型的效果會越來越好。
3. 其他的 benchmark：
作者使用 zero-shot 的方法在其他 benchmark 上進行實驗。
4. 其他預訓練數(shù)據(jù)集實驗：
作者使用其他預訓練數(shù)據(jù)集進行實驗。
5. 使用其他自監(jiān)督方法進行實驗：
作者更換了自監(jiān)督方法 SimCLR，使用其他自監(jiān)督方法進行實驗。
特別鳴謝
感謝 TCCI 天橋腦科學研究院對于 PaperWeekly 的支持。TCCI 關注大腦探知、大腦功能和大腦健康。
更多閱讀
#投 稿?通 道#
?讓你的文字被更多人看到?
如何才能讓更多的優(yōu)質內容以更短路徑到達讀者群體，縮短讀者尋找優(yōu)質內容的成本呢？答案就是：你不認識的人。
總有一些你不認識的人，知道你想知道的東西。PaperWeekly 或許可以成為一座橋梁，促使不同背景、不同方向的學者和學術靈感相互碰撞，迸發(fā)出更多的可能性。?
PaperWeekly 鼓勵高校實驗室或個人，在我們的平臺上分享各類優(yōu)質內容，可以是最新論文解讀，也可以是學術熱點剖析、科研心得或競賽經(jīng)驗講解等。我們的目的只有一個，讓知識真正流動起來。
📝?稿件基本要求：
? 文章確系個人原創(chuàng)作品，未曾在公開渠道發(fā)表，如為其他平臺已發(fā)表或待發(fā)表的文章，請明確標注?
? 稿件建議以?markdown?格式撰寫，文中配圖以附件形式發(fā)送，要求圖片清晰，無版權問題
? PaperWeekly 尊重原作者署名權，并將為每篇被采納的原創(chuàng)首發(fā)稿件，提供業(yè)內具有競爭力稿酬，具體依據(jù)文章閱讀量和文章質量階梯制結算
📬?投稿通道：
? 投稿郵箱：hr@paperweekly.site?
? 來稿請備注即時聯(lián)系方式（微信），以便我們在稿件選用的第一時間聯(lián)系作者
? 您也可以直接添加小編微信（pwbot02）快速投稿，備注：姓名-投稿
△長按添加PaperWeekly小編
🔍
現(xiàn)在，在「知乎」也能找到我們了
進入知乎首頁搜索「PaperWeekly」
點擊「關注」訂閱我們的專欄吧
·
總結
以上是生活随笔為你收集整理的自监督和语言监督我全都要？Facebook多模态预训练模型SLIP给你答案！的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 开阳县汽车学校？
- 下一篇： 奇瑞qq发动机号在哪里 寻找奇瑞qq发动