ConvMAE(2022-05)

ConMAE

ConvMAE可以视为基于MAE的一种简单而有效的衍生品，对其编码器设计和掩码策略的最小但有效的修改。ConvMAE在Conv-transformer网络中应用时，其目的是学习判别性的多尺度视觉表示，并防止pre-train finetune差异化。

ConvMAE直接使用MAE的掩码策略将会使transformer layer在预训练期间保持所有的tokens，影响训练效率。因此，作者引入了一种层次化掩码策略对应于卷积阶段的掩码卷积，确保只有一小部分可视化token(没有mask掉的)送入transformer layer。

Encoder部分

1. 整体框架如图1，encoder包含3个stage，输入图像分辨率假设为(H,W,3),3个阶段输出空间分辨率分别为$(H/4,W/4),(H/8.W/8),(H/16,W/16)$,前两个stage使用卷积层将输入转换为token Embeedings，分别为$E_1\in {\mathbb{R}}^{\frac{H}{4}\ast \frac{W}{4}\ast C_1}$,$E_2\in {\mathbb{R}}^{\frac{H}{8}\ast \frac{W}{8}\ast C_2}$.卷积block的设计遵循transformer block的原则，仅仅将self-attention操作用$5\times 5$的卷积替代。第3个stage使用通用的self-attention blocks获取token Embeedings $E_3\in {\mathbb{R}}^{\frac{H}{16}\times \frac{W}{16}\times C_3}$。在每个stage之间，stride为2的卷积被用来下采样tokens到之前分辨率的一半。
2. stages 1 和2 的卷积有较小的视野(可以理解为卷积的局部性)，在stage3 transformer blocks对粗粒度特征进行聚合和复用，扩展视野到整张图像(全局信息).
3. 不同于之前的CPT、Container、Uniformer、Swin等。将绝对位置嵌入替换为第一阶段输入的相对位置嵌入或零填充卷积，作者认为在transformer第3阶段的输入中添加绝对位置嵌入可以获得最优性能，class token也从编码器中移除，几乎没有什么影响。

Encoder具体细节：

1. 给定输入图像$I\in {\mathbb{R}}^{3\times H\times W}$, ConvMAE编码器的第1阶段首先使用非重叠4 × 4卷积生成一个高分辨率的token embeeding,$E_1\in R^{C_1\times \frac{H}{4}\times \frac{W}{4}}$。然后将$E_1$送入堆叠的卷积块中，重复$L_1$次，$L_1$表示第1阶段的层数。
2. 与stage 1相似，stage 2使用非重叠2×2卷积进一步下采样特征映射到token embeedings :$E_2\in {\mathbb{R}}^{C_2\times \frac{H}{8}\times \frac{W}{8}}$。$E_2$被$L_2$层卷积块再次处理。在第1阶段和第2阶段进行局部信息融合后，第3阶段利用transformer block进行全局特征融合。利用非重叠2 × 2卷积将$E_2$投影到token embeedings $E_3\in {\mathbb{R}}^{(\frac{H}{16}\times \frac{W}{16})\times C_3}$。将E3与中间位置嵌入(IPL)混合送入具有$L_3$层的纯transformer block。我们将阶段3中注意头的数量表示为$H_a$。不同时期FFN的mlp-比值分别记为$P_1、P_2、P_3$。
3. Stage 1和Stage 2设计用于在高分辨率feature map上捕获细粒度的细节。Stage 3可以在一个低分辨率的特征映射上高效地执行动态全局推理。同时，第三阶段可以扩大backbone的视场(FOV)，有利于广泛的下游任务。ConvMAE编码器可以无缝地继承卷积和transformer的优点。

表8列出了小模型、基础模型和大模型的架构细节。ConvMAE small、base、large和huge与MAE-small、MAE-base、MAE-large和MAE-huge的编码器具有相似的参数尺度.

带有Masked-Convlutions 的Block-wise 掩码

1. Maks auto-encoders，如MAE和BEiT，在输入token上采用随机掩码。然而，同样的策略不能直接应用于我们的ConvMAE encoder。统一mask掉$\frac{H}{4}\times \frac{W}{4}$特征图中的第1阶段输入标记会导致第3阶段的所有tokens中具有部分可见信息，并需要保留所有第3阶段tokens。因此，作者首先生成随机掩码，mask第3阶段输入token的p%(例如，75%)，并对mask上采样2倍和4倍，分别得到对应的block-wise掩码，用于掩码第2阶段和第1阶段输入。在encoder过程中丢弃这三个阶段对应的掩码令牌，由解码器重构进行特征学习。这样，ConvMAE只需要在耗时的transformer block中保留25%的tokens进行训练，且不影响ConvMAE的效率。
2. 然而，前两个阶段的5 × 5深度卷积自然会导致感受野超过掩码patch，当restructing masked tokens时造成信息泄露。为了避免这种信息泄露，同时保证预训练的质量，前两个阶段采用了掩码卷积，使掩码区域不参与encoding过程。掩蔽卷积的使用对ConvMAE的性能至关重要，并通过去除部分mask token来防止预训练和测试的差异。

多尺度decoder及loss

MAE decoder的输入部分是来源于Encoder的的可视化token $E_d$以及mask tokens，在transformer blocks中进行组合用于图像重建任务。

1. ConvMAE encoder获取多尺度特征$E_1,E_2,E_3$,捕获了细粒度和粗粒度图像信息。为了更好的监督这种多粒度表示的预训练，通过stride-4 和stride-2 卷积将$E_1,E_2$下采样到与$E_3$相同的尺寸大小，通过一个linear 层融合多粒度tokens以获取用于输入到decoder的可视化token。$$E_d=Linear(StrideConv(E_1,4)+StrideConv(E_2,2)+E_3)$$ StrideConv(.,K)表示stride-K的卷积。
2. 损失函数与MAE一样考虑重建任务损失，目标函数只计算masked patches。
   $T_M$是一系列masked token 而且t是token索引，重建目标$I$为输入图像的归一化像素值，$\hat{I}$是重建图像。

ConvMAE 用于目标检测和语义分割等下游任务(只关注检测部分)

如上图2所示，通过$2\times 2$的最大池化下采样首先得到具有输入1/32的$E_4$。由于ConvMAE stage3有11个全局self-attention layers(在ConvMAE-base模型中)，计算成本过高，作者按照Benchmarking ViT将stage3中除第1、4、7、11个全局self-attention layer外的所有层替换为shift-window局部slef-attention—shifted $7\times 7$windows(Swin中的窗口自注意力).

修改后的local self-attention layer仍然由预训练的全局self-attention layer进行初始化。全局transformer block之间共享全局relative positional bias。同样，局部relative positional bias由局部transformer blocks共享。

通过这种方式stage3 的内存消耗和计算代价大大降低，多尺度特征$E_1,E_2,E_3,E_4$然后输入到MaskRCNN头用于目标检测。

实验

• 在ImageNet 1K上进行预训练后，再次在该数据集上进行微调100 epochs，下表是在ImageNet validation上分类准确率。P-Epochs代表预训练，FT代表finetune，LIN代表linear probe，Encoder部分代表mask ratio(1-表中数据)
  
• 在目标检测中，使用COCO数据集，使用预训练的ConvMAE Encoder作为Mask RCNN的backbone，在COCO train2017数据集上进行finetune，在Val2017 split上报告AP值，与其它有监督和自监督方法比较如下。可以发现ConvMAE在finetune epoch只有25的情况下实现了最高性能。
  

消融实验

• Pretraining epochs.
  800和1600仅有细微的差别
  

• Input token random masking.

1. 表格前两行表示mask策略的使用，第一行表示作者提出的block-wise mask ，第二行表示全部使用MAE mask策略

2. 中间两行表示是否使用Mask Convlution

3. 第一行和最后两行代表不同卷积核尺寸的影响，实验表明kernel 尺寸几乎没有影响。
   

• Multi-scale Decoder.
  多尺度Decoder的影响，可以提高精度
  

• Model Scaling up and down.
  不同规模模型尺寸对性能影响
  

• Convergence speed.
  收敛速度，可以看到红色(ConvMAE)的精度要比绿色高，收敛速度也比较快。