当前位置：首页 > news >正文

回顾——自我监督的 Vision Transformer 学到了什么？

news 来源：原创 2024/5/9 7:54:17

一、说明

在尝试自我监督学习时，主要有两种方法：对比学习（CL）和掩模图像建模（MIM）。然而，随着MIM最近受到关注，很多人使用MIM，但他们可能不知道为什么使用它以及何时应该使用它。本文利用ViT对这些点进行分析。本文表明，日益流行的 MIM 并不总是答案，并提供了何时使用以及使用哪种模型的指导。

二、先决知识

2.1 问题

本文旨在揭示对比学习 (CL) 和掩模图像建模 (MIM) 的表示方式有何不同，以及每种方法如何以及为何能够使用 ViT 很好地处理某些下游任务。

2.2 抽象的

1-1。CL 很好地捕捉了更长期的全球模式。尤其是在ViT的最后一层，它很好地捕捉了“物体的形状”。这意味着 ViT 在表示空间中可以很好地对图像进行线性分类。

1-2。然而，CL 存在一个问题，即 self-attention 中的 Query 和 Key 在 Multi-Head 中具有同质性，从而导致崩溃。这意味着自注意力的表示减少，从而在可扩展性和密集预测方面产生问题。

2-1。CL 使用低频信号表示，而 MIM 使用高频。

2-2。由于低频和高频的差异，CL侧重于物体的形状，而MIM侧重于纹理信息（特定信息）。

3. 此外，最后一层在 CL 中起着至关重要的作用，而 MIM 则侧重于前面的层。-> 本文旨在基于分析介绍一种简单的方法来补充 CL 和 MIM。

2.3. 背景

对比多视图编码（CL方法）

首先，作为背景，有一种称为 CMC 的对比学习方法，它与其他 CL 方法非常相似。
输入两对图像。每个图像都通过其编码器。
每个潜在向量“z”都映射到特征空间。
如果两个图像来自相同的源或标签，则它们被称为正样本并且紧密映射。如果它们来自不同的来源或标签，则它们被称为负样本并被远程映射。
此过程旨在对相似的压缩表示进行聚类，捕获图像的整体模式和特征，因此被称为“图像级方法”。

掩模自动编码器（掩模图像建模）

另一种方法是最近流行的 MIM 方法，简单解释为 Masked AutoEncoder。
输入图像像 ViT 一样被分割成 patch，并且其中 75% 的图像被高速率屏蔽。
未屏蔽的补丁被输入并通过编码器，然后与屏蔽的补丁组合并通过解码器。
目标是尽可能地恢复原始图像。每个补丁都执行这个过程，因此每个补丁都可以被视为学习语义信息。
因此，这种方法被称为“令牌级方法”。

论文中经常提到的其他方法。

前面提到的MAE出现在第4章第3节中。其他章节主要涉及MoCo和SimMIM。
左边是MoCo（CL），右边是SimMIM（MIM）。
MoCo 是一种对比学习方法。简而言之，由于Memory Bank方式占用内存过多的问题，采用与Memory Bank类似的指数移动平均线（EMA）来更新编码器。
仅绿色编码器通过反向传播进行训练，而蓝色编码器仅通过 EMA 进行更新。
SimMIM 没有详细的细分，但简而言之，它是 MAE 的一种变体，其中解码器仅由一层或两层 MLP 组成，并且性能良好。

2.4 简介

CL 旨在学习两个图像的不变信息，并通过将它们分类为正/负或相似/不相似样本来学习全局表示。这被称为“图像级自我监督学习”方法。
MIM 旨在恢复有关屏蔽输入补丁的信息，与 CL 不同，它学习补丁标记信息。这被称为“令牌级自我监督学习”方法。
尽管微调结果表明 MIM 的性能相对较好，使其看起来是优于 CL 的方法，但本文还是对比了 CL 或 MIM 训练的方法所擅长的任务的性能。论文讨论了三个要点，第四点是提出通过补充两种方法来简单地提高性能的建议。

自我关注的行为。（第 2 节）
表征的转变。（第 3 节）
主角组件的位置。（第 4 节）
CL和MIM互补。（第 5 节）

三、自我注意力如何表现？

图 1：蓝色：MIM，红色：CL。对 IN-1k 的 ViT-B/16、MoCo v3、SimMIM 进行了分析。

左图

图 1 表明 CL 和 MIM 都不是所有任务的最佳选择。CL 在线性探测方面表现更好，而 MIM 在微调方面表现出色。（线性探测和微调之间的差异请参阅下表）。
尽管最近人们对 MIM 的兴趣激增，但它并不总是最佳选择。

中间图像

如果第一张图像是为 ViT-B 绘制的，则该图像会比较多个模型。“+”号表示实验条件是标准化的，因为两篇论文在不同的条件下训练。因此，同步超参数后，模型训练了 100 个 epoch。没有“+”号的模型只是采用其他论文中的性能声明。
较大的模型有利于 MIM，而较小的模型往往受益于 CL。

右图

仔细观察模型尺寸会发现 CL 在较小尺寸下表现更佳。然而，对于基于 COCO 数据集的密集预测任务，MIM 表现出了更好的性能。

桌子

右表显示了 SimMIM 论文中的性能指标。“我们的”指的是 SimMIM。图 1、2 和 3 均基于此表。

附加说明和第 1 节的流程

首先，Fine-tuning 和 Linear-probing 之间的区别如下：Fine-tuning 的目标是开发适合下游任务的新模型，而 Linear probing 的目标是创建具有鲁棒的预训练表示的模型。

CL主要捕捉全局关系，左注意力图图2，右图图3。

MOCO

从图 2 中可以看出，当检查视觉信息时，CL 始终显示一个与整个物体形状相似的注意力图。
无论激活的查询令牌的值是多少，无论选择红色查询令牌还是蓝色查询令牌，CL 始终关注对象的形状和形式。
这意味着 CL 始终寻求识别对象，并且这与查询标记的位置无关。

2.模拟MIM

SimMIM 演示了局部注意力图。当红色查询标记被激活时，注意力会集中在与其相似的位置。类似地，当蓝色查询标记被激活时，注意力会被吸引到其相应的位置。
由于 SimMIM 的主要目标是重建图像，因此它使用周围信息来恢复后面层中的补丁。因此，我们看到了这样的局部注意力图。

3. MOCO、SimMIM 和注意力距离

图 3 右侧的图表直观地显示了注意力距离。
注意距离是类似于 CNN 中的感受野的概念，量化模型关注的图像范围。
这意味着MOCO着眼于全球，而SimMIM则是从全球出发，随着发展逐渐聚焦于本地。
这表明 MOCO 有效地学习了全局模式。这种熟练程度使 CL 能够轻松识别图像中的对象。但是，它可能很难保留查询或密钥中的本地信息。
从 MIM 的角度来看，从全局视图开始意味着当接收到输入图像时，模型会辨别背景信息和对象细节，以确定哪些标记是连接的。随着层的进展并且模型需要恢复图像，距离会减小。
因此，虽然 MIM 有助于学习物体的纹理和细节表示，但它很难识别物体的整体形状。

4. MOCO、SimMIM的特点及其与Fine-tuning/Linear Probing的关系

线性探测
- 如前所述，对于线性探测，预训练表示的质量起着至关重要的作用，因为模型被冻结并且仅训练分类器。
- 因此，可以区分图像中的对象信息和边界线的 CL 在线性探测中表现出色。
- 虽然MIM可以掌握详细信息，但与学习对象整体信息的CL相比，其性能不可避免地存在不足。
微调
- MIM，专注于局部信息，捕捉物体多样且复杂的细节。当在微调过程中引入新的下游任务时，这一特性非常适合令人印象深刻的性能。

另一个观察结果是，在 CL 的最后一层，当查询、键和头相同时，注意力图会崩溃。
当比较来自两个不同空间的查询信息时（例如，相同位置但不同头的查询），与 MIM 相比，两个查询标记显示出相似的模式。这种现象是由于注意力崩溃而引入的。
使用标准化互信息（NMI）验证了崩溃。
p ( q ) 表示查询标记的分布，并假设是均匀分布的。因此，单个查询令牌是 1/ N（其中N是令牌数量）。
查询和密钥标记的联合分布为p ( q , k )= π ( k ∣ q ) p ( q )。这里，π ( k ∣ q ) 是 softmax 归一化的自注意力矩阵。
因此，NMI如上所述。I (⋅,⋅)是边际信息，H ()是边际熵。
回顾一下，H (⋅)=Σ p (⋅)log( p (⋅))，并且由于假设p ( q ) 遵循均匀分布，因此p ( q )=1/ N。

关于查询令牌补丁的示例

例如，查询和关键标记的形状为 [B, H, seq, dk]。另外，self-attention的结果是[B, H, seq_q, seq_t]。当我们可视化注意力图时，我们通常会循环遍历 seq_query 并将 seq_t 可视化为 196 = 14x14，不包括 CLS 标记。
因此，p ( k )= N 1。如果我们想查看特定补丁的注意力图，我们选择的位置由查询的位置决定。例如，如果我们想查看上面提到的红色位置的注意力图，我们只需选择该位置即可。其概率为p ( k )= N 1。

请记住，p(k) 与 p(q) 不同

对于p ( k )，如果您认为它与 1/ N相同，那您就错了。因为p ( k )=Σp ( qi ) attn。换句话说，p ( k ) 是查询的概率乘以该查询的注意力图。

左：互信息图，右：图3

要点是，如果两个查询和键相似，则 NMI 较低，如果不同，则 NMI 较高。
低互信息表明注意力图对标记的依赖性较小并且崩溃为同质性。相反，高互信息表明注意力图对标记的强烈依赖性。
结论表明存在注意力崩溃问题，导致表征能力潜在下降。

四、注意力崩溃降低了表征多样性。

当自注意力图崩溃为同质性时，人们相信最终会导致同质令牌表示。
因此，进行了实验来分别计算Head、Depth和token的余弦相似度。与 MIM 相比，CL 在后面的层中表现出更高的相似性，表明存在崩溃问题。
此外，事实证明，增加模型的尺寸并不是 CL 的解决方案。事实上，这可能会让事情变得更糟。另一方面，MIM则呈现增长。
在(a)部分，当比较头部时，MIM和CL都表现出性能下降。实线表示ViT-B，虚线表示ViT-S。
我个人的看法是，MIM在使用小模型时相似度增加的原因是训练不足。由于它是一个较小的模型，它可能无法有效地恢复图像，导致标记变得更加相似，并且头部的输出变得相似。作者声称增加头数并没有效果。我发现很难相信只有头的数量有影响，特别是当整体模型容量减少时。
在(b)部分中，当使用大型模型进行比较时，后面层中的余弦相似度简单地收敛到1。这是由于之前讨论的崩溃问题。作者认为这在 CL 中是不必要的。
因此，CL 在较大的模型中无法超越，并且落后于 MIM。然而，在较小的模型中，由于 MIM 效果不佳，因此 CL 被认为更好。
最后，有一个插图解释了为什么 CL 在密集预测任务中表现较差。
当计算相同空间位置和相同自注意力层之间的余弦相似度时，CL 一致表明它不会区分后面层中的空间信息。这会在密集预测期间引起问题。
另一方面，随着模型变深，SimMIM 只是显示出相似性降低。这表明补丁代币正在观察不同的信息并理解细节。由于这一特性，SimMIM 在密集预测任务中非常有效。