SimMIM: a Simple Framework for Masked Image Modeling

论文名称：SimMIM: a Simple Framework for Masked Image Modeling
发表时间：CVPR2022
开源地址： 开源代码
作者及组织：Zhenda Xie, Zheng Zhang, Hu Han等，来自清华，微软亚洲研究院。

前言

 本文提出一种新的自监督视觉预训练方法，是跟MAE同期工作 ，两篇论文有点儿类似，但本文较MAE额外验证MIM在swin-transformer网络上也有效。

1、方法

  MIM基本成了下游感知任务的预训练标配，结合代码简单说下pipline。

1.1.数据读取

  1）给定一张192*192图像，假设每个遮挡的块size=32，则这张图像能拆成192/32 * 192/32 = 36个块；
  2）然后生成长度为36的全0的mask张量，此时在引入额外的参数（遮挡比例=0.6），然后随机将mask张量中的36*0.6 = 22个位置置为1；
  3）siwn_t会先将图像经过一个kernel_size = stride = 4的conv，将图像变成(1,96,48,48)的张量，由于下采样4倍所以每个遮挡块大小成了32/4=8*8。
  4）之后将mask中每个元素广播成(8,8)大小在和图像相乘即可，当然这里将mask区域替换成可学习张量。

class MaskGenerator:
    def __init__(self, input_size=192, mask_patch_size=32, model_patch_size=4, mask_ratio=0.6):
        self.input_size = input_size
        self.mask_patch_size = mask_patch_size  
        self.model_patch_size = model_patch_size   # 即4中的kernel = stride = 4
        self.mask_ratio = mask_ratio
        
        assert self.input_size % self.mask_patch_size == 0
        assert self.mask_patch_size % self.model_patch_size == 0
        
        self.rand_size = self.input_size // self.mask_patch_size
        self.scale = self.mask_patch_size // self.model_patch_size
        
        self.token_count = self.rand_size ** 2
        self.mask_count = int(np.ceil(self.token_count * self.mask_ratio))
        
    def __call__(self):
        mask_idx = np.random.permutation(self.token_count)[:self.mask_count]
        mask = np.zeros(self.token_count, dtype=int)
        mask[mask_idx] = 1
        
        mask = mask.reshape((self.rand_size, self.rand_size))
        # 广播成(48,48)的0/1块张量
        mask = mask.repeat(self.scale, axis=0).repeat(self.scale, axis=1)  
        
        return mask

# 大卷积核处理图像
class PatchEmbed(nn.Module):
    def __init__(self, img_size=224, patch_size=4, in_chans=3, embed_dim=96, norm_layer=None):
        super().__init__()
        self.proj = nn.Conv2d(in_chans, embed_dim, kernel_size=patch_size, stride=patch_size)

    def forward(self, x):
        B, C, H, W = x.shape
        x = self.proj(x).flatten(2).transpose(1, 2)  # B Ph*Pw C
        return x

class SwinTransformerForSimMIM(SwinTransformer):
    def __init__(self, **kwargs):
        super().__init__(**kwargs)

        assert self.num_classes == 0

        self.mask_token = nn.Parameter(torch.zeros(1, 1, self.embed_dim)) # 可学习mask_token
        trunc_normal_(self.mask_token, mean=0., std=.02)

    def forward(self, x, mask):
        x = self.patch_embed(x)

        assert mask is not None
        B, L, _ = x.shape

        mask_tokens = self.mask_token.expand(B, L, -1)
        w = mask.flatten(1).unsqueeze(-1).type_as(mask_tokens) 
        x = x * (1. - w) + mask_tokens * w     #   用可学习mask_token替换遮挡区域

1.2.模型

 后续数据经过swin_transformer，在接一个简单decoder直接回归 被遮挡块 的RGB像素值即可。

class SimMIM(nn.Module):
    def __init__(self, encoder, encoder_stride):
        super().__init__()
        self.encoder = encoder
        self.encoder_stride = encoder_stride
        # decoder 
        self.decoder = nn.Sequential(
            nn.Conv2d(
                in_channels=self.encoder.num_features,
                out_channels=self.encoder_stride ** 2 * 3, kernel_size=1),
            nn.PixelShuffle(self.encoder_stride),
        )

        self.in_chans = self.encoder.in_chans
        self.patch_size = self.encoder.patch_size

    def forward(self, x, mask):
        z = self.encoder(x, mask)
        x_rec = self.decoder(z)
        # 重新插值回4倍的块大小。
        mask = mask.repeat_interleave(self.patch_size, 1).repeat_interleave(self.patch_size, 2).unsqueeze(1).contiguous()
        loss_recon = F.l1_loss(x, x_rec, reduction='none')
        loss = (loss_recon * mask).sum() / (mask.sum() + 1e-5) / self.in_chans
        return loss

2、实验

 经过预训练+微调在ImageNet1k上MIM取得83.8，但Linear probe效果很差。

 对比全监督训练方法，都是高的。

 下游任务效果：比全监督点高。