Visual Prompt
始于NLP
简单来讲，Prompt就是对原来的输入文本进行一定的处理，使得在不改变预训练模型参数的情况下，相应任务的性能变高。例如，原输入文本为：I received the offer from ETH. ，对于文本分类，我们将其修改为I received the offer form ETH, I’m so [MASK]；[MASK]可以为一些表示情绪的词，比如happy，那么相对于原文，修改后的句子更容易被分为happy类。如果将其改为I received the offer from ETH. Chinese:[MASK]，则对于翻译任务来讲，更容易取得正确的翻译效果。所谓的修改方式在大佬论文中提到的有（如下图）：
NLP中的Prompt算法步骤：
Prompt Addition： 这一步就是如何修改原文本。
Answer Search： 构建相应的answer空间，例如，文本分类，设置为（happy， good， terrible等）。
Answer Mapping： 在某些时候answer并不是我们最终想要的结果，比如我们最终想要的结果为positive和negative；那么则需要将happy,good映射为positive，将terrible映射为negative。
VPT（Visual prompt tuning）
一、论文信息
论文名称：Visual Prompt Tuning
作者团队：
会议：ECCV2022
Github: https://github.com/kmnp/vpt
二、动机与创新
动机：
-
目前调整预训练模型的方法是full fine-tuning，即完全微调。预训练好的模型利用full fine-tuning的方式迁移到下游任务上时，需要存储整个模型，而且在会对模型的所有参数都进行训练，造成计算量大的问题；
-
随着计算机视觉领域的发展，基于Transformer的模型相较于基于CNN的模型更大，导致模型参数急剧上升，也致使训练难度的增大；
-
近年来，NLP已经进入大模型阶段，对于如何迁移NLP预训练好的大模型到下游任务，相关人员提出了不同于Fine-tuning的方法，即Prompt-tuning，在保持预训练模型冻结的情况下，只需要训练少量额外的参数即可将该大模型迁移到下游任务，而且效果不错。
-
如何更加有效地 adapt 预训练的Transformer用于下游任务？
创新：
-
这篇文章提出了一个简单、有效的方法调整预训练好的Transformer模型用于下游任务，即Visual-Prompt Tuning (VPT)。
三、方法
VPT-Deep变体为Transformer编码器每层的输入预先设置一组可学习的参数；
VPT-Shallow变体则仅将提示参数插入第一层的输入。
两者在下游任务的训练过程中，只有特定于任务的提示和线性头的参数会更新，而整个Transformer编码器被冻结。
四、实验结果 20/24
实验的数据集有两组，一共涉及24个跨不同领域的下游识别任务，包括：
（1）由5个基准细粒度视觉分类任务组成的FGVC；
（2）由19个不同视觉分类集合组成的VTAB-1k，细分为使用标准相机拍摄的自然图像任务（Natural）、用专用设备（如卫星图像）捕获的图像任务（Specialized）以及需要几何理解的任务（Structured），比如物体计数。测得每项任务上的平均准确度后，得出的主要结果如下：
VPT-Deep在24个任务中有20个的表现都优于全面微调，同时使用的总模型参数显著减少（1.18× vs. 24.02×）；
在NLP领域中Prompt再厉害，性能也不会超过全面微调。这说明Prompt很适用于视觉Transformer模型。
Exploring Visual Prompts for Adapting Large-Scale Models
一、论文信息
论文名称：Exploring Visual Prompts for Adapting Large-Scale Models
作者团队：
Github: https://hjbahng.github.io/visual_prompting/
二、动机
正如随着attention机制和transformer在NLP成为主流，attention+CNN、Vit、Swin-transformer、ShiftVit等基于attention和transformer的CV模型不断涌出一样；在看到prompting在NLP变得越来越火时，作者自然问道：Why not visual prompting?为证明在CV领域，Prompt是可行的，并且在某些任务和数据集上效果不错。
三、方法
使用（迁移）预训练模型的方法：
在CV中，将一个预训练模型迁移到新任务上的方法主要包括Fine-tuning，Linear Probe，Visual Prompting ；三种方法的不同如下图所示：
Fine-tuning会修改预训练模型参数，Linear Probe不会修改预训练模型参数，但是会在预训练模型后增加和任务相关的线性层，Visual Prompting则是不修改预训练模型参数，只修改原图像。
Prompt形式：
-
对于图片，给原图增加prompt，自然想到的是添加一些像素；其实以像素形式添加prompt的好处就是可以做到task-special和input-agnostic；也就是因为prompt中含有大量数据中学到的信息，所以是任务相关的；因为对于同一个任务，在测试时，直接使用得到的prompt就可以，不管你输入哪张图片，因此时输入无关的。
-
如何添加： 作者提到了三种方式：1）在随机位置添加像素块(pixel patch)；2）在固定位置添加像素块(pixel patch)；3）在图像内部边缘pad一些像素（类似卷积中的padding）第三种方式效果最好。
-
Padding： 使用pad方式添加，添加的宽度为p ；图像的尺寸为C,H,W；则一共需要添加 2*C*p*(H-p)+2*C*p*(W-p)，如图：
如何得来： 对于一个任务，需要通过训练得到于该任务相关的prompt，得到之后就可以直接应用了。
四、实验结果
文章的目的不是达到state-of-the-art，只是为了证明visual prompting的有效性，实验效果不错。