自监督ViT：DINO-v1和DINO-v2

1. 概述

基于ViT（Vision Transformer）自监督在最近几年取得了很大进步，目前在无监督分类任务下已经超过了之前的一些经典模型，同时在检测分割等基础任务领域也展现出了强大的泛化能力。这篇文章将主要基于DINO系列自监督算法介绍它们的算法原理，方便 大家快速了解相关算法。

2. DINO-v1

参考代码：dino

这个方法源自于一个很重要的发现，自监督的ViT在图像语义分割的显式信息表达上具有独特性，也就是说相比有监督的ViT网络或者是传统的CNN网络其具有更强的语义表达能力和分辨能力。基于此使用k-NN算法作为分类器便能在一个较小的ViT网络上实现78.3% ImageNet top-1的准确率。在该方法中构建自蒸馏的方式训练和更新教师和学生网络，同样也适用了参数类似滑动平均更新和输入图像多重裁剪训练策略。对于训练得到的网络对其中的attention map进行可视化，确实也呈现出了上述提到的物体语义区域的感知能力，见下图可视化效果：

整体上文章提出的方法pipeline见下图所示：

在上图中包含了两个相同结构的网络$g_{{\theta }_s}$和$g_{{\theta }_t}$，喂给它们同一张图不同的信息（local和global，也就是图像分辨率一个大一个小），之后对输出用交叉熵损失函数约束。但是这里需要注意的是只有student网络会存在梯度反向传播，teacher是通过类似滑动平均更新的形式更新参数。整体流程比较简洁，其自监督运算流程如下：

step1 ：为teacher和student分别准备不同的数据
step2：将teacher和student的输出软化，用teacher结果作为pseudo GT和交叉熵损失函数更新student参数
step3：使用类似滑动平均更新方式更新teacher的参数，同时更新teacher的数据中心分布（$C$），用它和${\tau }_t$来避免collapse

输入处理：
在自监督方法设计过程中，teacher网络是没有任何先验初始化的，而teacher需要正确引导student网络学习。那么要使得自监督能够进行下去，则teacher应该能获取到更多的信息，而student相应的获取较少信息，这样才有信息的梯度差异，实际中是通过给teacher和student网络不同的图像分辨率图像实现的。对应的在输入图像的过程中也会经过一些数据增广操作，如视图扭曲、裁剪等操作。

student网络蒸馏和更新：
在ViT骨干网络基础上，会连接几个fc层（中间会使用l2-norm）得到这张图的高维度表达（表达的维度为$K$）：$P_s$和$P_t$。为了避免生成的分布不够平滑这里对student和teacher的输出引入不同温度因子进行平滑：
$$P_s(x)=\frac{exp(g_{{\theta }_s}(x)/{\tau }_s)}{{\sum }_{k=1}^{K}exp(g_{{\theta }_s}(x)/{\tau }_s)}$$
参考上面的式子，其对teacher网络也一样适用，只不过它们的温度因子策略有所不同。${\tau }_s=0.1$而${\tau }_t\in [0.04,0.07]$且有一个warm-up的过程。那么对于这两个分布最后是采取在不同输入下交叉熵最小化来更新student网络的参数的：
$$\underset{\theta }{\min }\sum _{x\in \{x_1^g,x_2^g\}}\sum _{x^{{}^{\prime }}\in V,x^{{}^{\prime }}\ne x}H(P_t(x),P_s(x^{{}^{\prime }}))$$

teacher网络更新：
这里teacher网络的更新机制采用的是类似滑动平均更新的形式：
$${\theta }_t=\lambda {\theta }_t+(1-\lambda ){\theta }_s$$
也就是使用student网络的参数去更新teacher，其中参数$\lambda \in [0.996,1.0]$在训练过程中会依据cosine函数进行变化。

teacher输出中心分布$C$的更新：
同理teacher网络参数的更新机制，这里也是采用类似滑动平均的方式在Batch维度进行统计得到的：
$$C=mC+(1-m)\frac{1}{B}\sum _{i=1}^B{g}_{{\theta }_t}(x_i)$$

前文中一些模块对性能的影响：

3. DINO-v2

参考代码：dinov2

在V1版本中使用ViT作为backbone，而ViT在输入的时候会将图像切块，之后送入到网络编码。在切块基础上之前的一些文章，如MAE，会将其中的一些块给丢弃掉（mask掉），之后通过编解码器得到完整图像，表明了mask机制能带来较好自监督效果。则在v2版本中也借鉴了mask的操作，不过它使用的是teacher和student模型的形式，其方法借鉴自IBOT

【论文阅读】IBOT : IMAGE BERT PRE-TRAINING WITH ONLINE TOKENIZER

同时，数据这块文章指出精心设计过的数据能带来更好的性能，所以不是说自监督直接喂给图片就能拿到最好效果。

数据处理：
这里从ImageNet-22k、ImageNet-1k的train部分、Google Landmarks和其它一些数据中使用数据清洗手段筛选更具表达能力的数据，新得到的数据集被命名为LVD-142M。具体的，数据清洗过程见下图：

结合上图描述的过程，可以将整个处理流程划分为如下几步：
step1：对图片进行编码，去掉冗余信息
step2：使用编码结果进行去重
step3：去重之后的图片中检索与当前query图像类似的图像

对比是否对数据进行清洗，其差异见下表：

V2相比V1显著区别：

1. V2中借鉴iBot方法引入mask机制，从而引导teacher和student网络在mask掉的区域上表达一致
2. teacher网络将之前的softmax-centering方法替换为Sinkhorn-Knopp (SK) batch normalization，用以避免collapse。而student网络还是使用softmax归一化
3. 为了使得一个batch中分布更加均匀使用了KoLeo regularizer
4. 为了适应下游任务中增大分辨率的需求，在训练快结束阶段会将分辨率调整到$518\ast 518$

一些改动对性的影响：