DINO 自监督算法简介

Emerging Properties in Self-Supervised Vision Transformers

[Ref: https://arxiv.org/abs/2104.14294]

DINO 的初衷是质疑自监督学习相较于 CNN 是否为 Transformer(ViT) 提供了新的属性，但是在过程中，发现：

• 自监督 ViT 的特征在图像的语义分割中包含的显式信息，这是之前监督学习下无论 ViT 还是 CNN 都没有出现的情况。
• 这个架构用一个很小的 ViT 提取出来的特征用 k-NN 来对 ImageNet 图像数据集进行分类可以达到 78.3% top-1

论文将这个自监督结构命名为 DINO ，这种**没有引入标签的“自蒸馏”**形式在结合各种 ViTs 以后可以达到 80.1% top-1.

下面的这幅 GIF 很简洁地表示了 DINO 的结构：

DINO 的结构

其中 Student 模型和 Teacher 模型是完全一样的

在训练中，Teacher 模型是没有训练的，它的权重更新是通过对 Student 模型权重的 EMA（exponential moving average ）
来更新 Teacher 模型的。下面的图是 EMA 的举例，可以感受一下。

还有值得注意的是两个模型的输入是完全独立的数据增强。

具体的表示可以参考 [Ref: https://en.wikipedia.org/wiki/Moving_average]

Pseudocode

下载源码

下面就是代码层面的一些展示了。

!git clone https://github.com/facebookresearch/dino.git /home/featurize/dino

目录准备以及下载图片样例

!mkdir /home/featurize/dino/input
!mkdir /home/featurize/dino/output
!wget https://www.snowskool.com/uploads/images/ski_and_snowboard_snowsport12.jpg -O /home/featurize/dino/input/ski.jpg

import matplotlib.pyplot as plt
import cv2

plt.axis('off')
plt.imshow(cv2.cvtColor(cv2.imread('/home/featurize/dino/input/ski.jpg'), cv2.COLOR_BGR2RGB));

对图片进行推理

!python /home/featurize/dino/visualize_attention.py  \
--image_path /home/featurize/dino/input/ski.jpg  \
--output_dir /home/featurize/dino/output

f, axs = plt.subplots(2,3, figsize=(12,8))
for i, ax in enumerate(axs.reshape(-1)):
    ax.axis('off')
    ax.imshow(cv2.cvtColor(cv2.imread(f'/home/featurize/dino/output/attn-head{i}.png'), cv2.COLOR_BGR2RGB));

下面试一下视频

下载测试视频

!unset http_proxy;unset https_proxy;unset all_proxy
!wget https://featurize.oss-cn-chengdu.aliyuncs.com/input.mp4 -O /home/featurize/dino/input/input.mp4

Jupyter里可视化一下

from IPython.display import Video
Video('/home/featurize/dino/input/input.mp4', embed=True, width=800, height=600)

DINO 进行推理

!python /home/featurize/dino/video_generation.py  \
--pretrained_weights dino_deitsmall8_pretrain.pth  \
--input_path /home/featurize/dino/input/input.mp4  \
--output_path /home/featurize/dino/output \
--video_format mp4 \
--fps 25

这是 Dave 之前推理的视频

Dave 觉得自监督学习在并未输入人类的理解信息的情况下，模型能够给出语义级别的解释并且能够超过监督学习，这就十分符合我对智能体的期望。

原文链接
点击原文链接可以运行代码