【跨模态】【对比学习】CLIP：文本监督CV的预训练(2021)
文章目录
- 前言
- 一、整体架构
-
- 1.训练
- 2.测试（迁移学习zero shot）
- 3.prompt engineering and ensembling
- 二、实验
-
- 1.few-shot与zero-shot的对比
- 2.Representation Learning
- 3.模型的泛化性
- 三、局限性和不足
- 四、拓展应用：DALL-E 与 DALL-E2
-
- 1.DALL-E
- 2.DALL-E2
- 五、拓展应用（三篇CVPR2022论文）：
-
- 1.ActionCLIP
- 2.CLIP-Event
- 3.CLIPSeg
前言
提示：CLIP 也属于对比学习、跨模态和zero shot
CLIP：Contrastive Language-Image Pre-Training
论文：Learning Transferable Visual Models From Natural Language Supervision
地址：https://arxiv.org/abs/2103.00020
代码：github.com/OpenAI/CLIP（仅开源测试）
CLIP算是在 跨模态训练无监督 中的开创性工作，作者在开头梳理了CV方向的训练方式，从有监督的训练，到弱监督训练，再到最终的无监督训练。这样训练的好处在于可以避免的有监督的 categorical label的限制，具有zero-shot性质，极大的提升了模型的实用性能。
zero-shot：是指零样本学习，在别的数据集上学习好了，直接迁移做分类；
作者提到早在2017年之后就陆续有工作提出和本文类似的想法，但是他们的数据大小都太小了，导致没有很好的结果。作者单独收集了一份含有4亿份数据的大数据集，才得以得到很好的效果。此外作者提到prompt engineering and ensembling也是一个值得研究的方向，也就是生成的template如果能够结合对应的dataset的特征，相当于给予模型额外的信息。
为什么CLIP要采用对比学习的方法：
OpenAI是一家从来不愁计算资源的公司，他们喜欢将一切都gpt化(就是做生成式模型)；但是以往的工作表明(ResNeXt101-32x48d, Noisy Student EfficientNet-L2),训练资源往往需要很多，何况这些都只是在ImageNet上的结果，只是1000类的分类任务，而CLIP要做的是开发世界的视觉识别任务，所以训练的效率对于自监督的模型至关重要；而如果任务改为给定一张图片去预测一个文本(或者给定一个文本去预测一张图片)，那么训练效率将会非常低下(因为一个图片可能对应很多种说法，一个文本也对应着很多种场景)；通过从预测任务改为只预测某个单词到只选出配对的答案，模型的训练效率一下提升了4倍；
一、整体架构
1.训练
contarstive pretrain
作者团队收集的4亿的图片文本对作为训练样本，称之为WIT(WebImage Text);在一个batch中输入32768个图片文本对，【 I_1 , T_1 】,则是第一个图像文本对，模型的目的是使这两个特征尽量相似，而与别的特征尽量远离。
训练阶段伪代码为：
1.一个图片经过Image_encoder得到特征I_f ,一个文本经过text_encoder得到特征T_f ;
2.两个特征分别经过不同的FC层(目的是将单模态的特征转化为多模态，因为图片的 特征可能本身就与文本的不一致，需要转换，但是这里没接激活函数，因为作者发现在多模态下接不接都一样)；
3.再做一次L2归一化；
4.计算余弦相似度，得到logits；
5.logits与GT计算交叉熵目标函数（这里的GT就是一个单位阵，因为目标是配对样本之间相似性最强为1，而其他为0)；
6.最后将图片的loss与文本的loss加起来求平均；
backbone:
文本采用Transformer；
图像方面可选5种ResNets(ResNet-50,ResNet-101,3个EfficientNet的变体，ResNet-50x4,ResNet-50x16,ResNet-50x64)， 三种VIT(分贝是VIT-B/32,VIT-B/16,VIT-L/14)
2.测试（迁移学习zero shot）
之前自监督、无监督的方法，主要研究特征学习能力，模型的目标是学习泛化性能好的特征，但在下游任务中，还是需要有标签数据做微调。作者想仅训练一个不需微调的模型。
将要做的分类以填空的形式填进一句话中，以ImageNet为例就是1000句话输入Text Encoder得到输出；
将要识别的图片经过Image Encoder得到图片输出，比较文本的输出与图片的输出，选择最相似的那句话就是图片的类别；
3.prompt engineering and ensembling
Prompt是提示的意思，对模型进行微调和直接做推理时有效；加入这个prompt engineering and ensembling，准确度上升了1.3%
1.由于一个word 具有多义性(polysemy)，图片和文字匹配容易出错，所以作者将word放在语境中，来提高匹配度；
2.另一个问题是，在预训练的时候，匹配的文本一般都是一个句子，很少出现一个单词的情况，如果推理的时候，每次进来的是一个单词，可能就存在distribution gap的问题，抽出来的特征可能就不好。
基于这两个问题，提出了prompt template，利用这个模板“A photo of a {label}.” 把单词变成一个句子, 避免出现distribution gap
作者还尝试集成多个zero shot classifiers，即prompt ensembling ，作为提高性能的另一种方式。这些分类器是在不同的上下文提示下得到的，比如“A photo of a big {label}" 和”A photo of a small {label}"。，这比单个的default prompt 提高了3.5%的性能。
最后在CLIP中，总共用了80个prompt template之多。prompt_Engineering_for_ImageNet.ipynb 列出了使用的这80个context prompts，比如有"a photo of many {}"适合包含多个物体的情况，"a photo of the hard to see {}"可能适合一些小目标或比较难辨认的目标。
二、实验
大范围数据集结果:
做了27个数据集的分类任务，baseline是ResNet-50，ResNet-50是有监督模型在各个数据集上训练好的， 然后两个模型在其他数据集上zero-shot；
在大多数分类任务，给车、食物等做分类的问题上CLIP都表现的很好， 但是在DTD这种纹理进行分类或CLEVRCounts给物体计数的任务，对于CLIP无监督模型来说就很难了；所以作者认为在这些更难的数据集做few-shot可能比zero-shot更好；
1.few-shot与zero-shot的对比
few-shot也是将back-blone冻住，训练分类头；
横坐标是指在每个类别中选出了几个训练样本，纵坐标就是模型的准确率了(在20个数据集上的平均结果，因为有7个数据集中有些训练样本不足16个)；
因为别的模型不是多模态的，所以只能从1-shot开始；
其中，BiT-M是google中bit transfer的一个模型，专门为迁移学习量身定做的，而zero-shot的CLIP直接与few-shot的BiT-M打成平手；
而CLIP可以从zero-shot开始；
可以看出当学习样本很少的时候CLIP few-shot的表现还不如zero-shot；
2.Representation Learning
为了证明Pre-Train的成功，CLIP将预训练好的模型在下游任务中做了Linear probe，就是模型主体冻住，只调Linear分类头，因为这样不用太多的调参，也能证明模型的特征学的好不好；
其中横坐标是一次前向过程的计算量，纵坐标是分类准确度；
可以看出CLIP是在计算量与准确度方面trade-off做的最好的一个模型；
3.模型的泛化性
当数据有distribution shift的时候，模型的表现如何，这是CLIP最惊艳的结果：
可以看出CLIP在数据分布的偏移样本上，远远超过ResNet101，而且结果保持地依旧稳健；
三、局限性和不足
平均来看，CLIIP可以和机械模型（ResNet-50（在ImageNet上训练））持平， 若继续增加数据集和模型规模，CLIP性能可以继续提高，但是代价很大（需提高计算和数据的高效性。
zreo-shot结果并不好
在细分类数据集上，CLIP效果低于（有监督训练）ResNet-50（baseline网络）；
CLIP无法处理抽象概念,如数数任务，或者判断一个监控画面是正常还是异常；
在很多领域，CLIP性能和瞎猜差不多；
若数据集中的data 已经 out-of-distribution,那么CLIP-model泛化照样差；(在MNIST数据集上，CLIP准确率仅有88%; 因为作者收集的数据集有4亿个样本，但没有和MINIS长得像的，所以MINIS数据集对于CLIP来说就是out-of-distribution数据集)；
CLIP不能高效利用数据
训练了epoch = 32，每个epoch过4亿个图片，跑了128亿张图片，如果一秒一张需要405年；数据用量多，作者希望减少数据用量，(三种方案： 数据增强，自监督，伪标签)用所有数据进行训练，调整很多次模型结构和超参数，才得出好结果，且每次用ImageNet数据集作为指导。所以CLIP并非做出真正的zero-shot工作。(选择偏差)
爬取图片未清洗和审查语言无法描述太复杂的概念
论文中总结的不足：（很少有论文写自己的不足，赞一个）
四、拓展应用：DALL-E 与 DALL-E2
1.DALL-E
DALL-E是CLIP的下游应用，给文本描述，可以生成对应图像：
萝卜在遛狗：
其基本原理为 VQGAN + CLIP。VQGAN（由VAE改进） 相当于生成器，CLIP相当于判别器，计算文本特征与生成图像特征的相似度（相似表明生成的图像质量高）。VQGAN 基本原理如下图，先利用特征字典codebook将图像特征离散化（即在codebook中查找最接近的特征，作为图像某一patch特征），在decoder阶段利用CLIP计算离散的图像特征与文本特征关系（文本特征本就是离散的word）。其中，codebook可利用Transformer结构进行监督学习。
DALL-E 生成图像过程，类似于GPT中预测下一个token过程。根据输入的初始图像（也可以是噪音）和文本，来得到输出图像。具体参数是256维文本 token 与 1024维图像 token。输入transformer结构中。
由于项目未开源，可以试试以下的非官方源：
2.DALL-E2
分辨率达到1024，是4倍dalle，还可编辑图像属性。可登录openai.com/dall-e-2 查看demo
甚至一些人类世界没有的东西（扩展与泛化能力很强，毕竟学习了4亿数据）
五、拓展应用（三篇CVPR2022论文）：
1.ActionCLIP
论文：ActionCLIP ：A new paradigm for Video Action Recognition
2.CLIP-Event
论文：CLIP-Event：Connecting Text and Images with Event Structures
将事件中的人与动作链接起来，相当于先通过文本抽取一些关系组合，再与图像进行配对
- 如图左，先从文本中抽像出一些单元组：
- 定义正负样本
正样本就是抽取的事件，负样本为替换的其他事件，也可替换动作主体。
能区别不同检测目标与事件的关系信息：
3.CLIPSeg
论文地址：https://arxiv.org/abs/2112.10003
代码地址：https://github.com/timojl/clipseg