计算机视觉 ｜ 深度学习预训练与MMPretrain

前言

MMPretrain是一款基于pytorch的开源深度学习预训练工具箱，是OenMMLab的项目成员之一。它是一个全新升级的预训练开源算法框架，旨在提供各种强大的预训练主干网络，并支持了不同的预训练策略。

一、MMPretrain算法库介绍

MMPretrain 源自 MMClassification 和 MMSelfSup，并开发了许多令人兴奋的新功能。目前，预训练阶段对于视觉识别至关重要，凭借丰富而强大的预训练模型，我们能够改进各种下游视觉任务。我们的代码库旨在成为一个易于使用和用户友好的代码库，并简化学术研究活动和工程任务。

算法库与任务组成

Python推理API

支持开箱即用的推理 API 和模型，包含丰富的相关任务：

• 图像分类(Image Classification)
• 图像描述(lmage Caption)
• 视觉问答(Visual Question Answering)
• 视觉定位 (Visual Grounding)
• 检索(Retrieval, Image-To-lmage, Text-To-lmage, Image-To-Text)

环境搭建

# 基础安装
conda create -n open-mmlab python=3.8
pytorch==1.10.1  torchvision==0.11.2  cudatoolkit=11.3 -c -y
conda activate open-mmlab
pip install openmim
git clone http://github.com/open-mmlab/mmpretrain.git
cd mmpretrain
mim install -e.
# 多模态依赖
mim install -e".[multimodal]"

 代码框架

二、经典主干网络

• AlexNet (2012)
• VGG (2014)
• GoogLeNet (2014)
• ResNet（2016）
• Vision Transformer（2020）

Vision Transformer

• 将图像切分成若干 16x16 的小块，所有块排列成"词向量"，先经过线性层映射，一张 [H,W,C] 维度的图片变为[LC]，再经多层 Transformer Encoder 的计算产生相应的特征向量
• 图块之外加入额外的 token，用于 query 其他 patch 的特征并给出最后分类
• 注意力模块基于全局感受野，复杂度为尺寸的 4 次方

注意力机制 

实现层次化特征:后层特征是空间邻域内的前层特征的加权求和权重越大，对应位置的特征就越重要

 

三、自监督学习 

自监督学习常见学习类型 

SimCLR（ICML2020）

基本假设:如果模型能很好地提取图片内容的本质，那么无论图片经过什么样的数据增强操作，提取出来的特征都应该极为相似。
即：对于某种图片x，对它进行两次数据增强，得到x1和x2，x1和x2互为正样本，其他图片的增强结果都是x，和x的负样本

MAE（CVPR2022）

基本假设: 模型只有理解图片内容、掌握图片的上下文信息，才能恢复出图片中被随机遮挡的内容。

将遮蔽的图像块 (只包含位置信息)按原来的位置插入特征向量中

 四、多模态算法

CLIP（ICML 2021)

• 在大规模数据集上使用NLP监督预训练图像分类器，证明了简单的预训练任务，即预测图像和文本描述是否相匹配是一种有效的、可扩展的方法
• 用4亿对来自网络的图文数据对，将文本作为图像标签，进行训练。进行下游任务时，只需要提供和图像对应的文本描述，就可以进行 zero-shot transfer，并取得可观的结果

 BLIP（ICML 2022）