[[438709]]

基于大型語料庫訓(xùn)練的 Transformer 模型在自然語言處理中取得了巨大的成功，作為 Transformer 構(gòu)建塊，self-attention 極大地改變了計(jì)算機(jī)視覺任務(wù)。NLP 的成功不僅依賴于 Transformer 的計(jì)算效率和可擴(kuò)展性，還依賴于對大量文本進(jìn)行自監(jiān)督學(xué)習(xí)。目前 NLP 領(lǐng)域存在兩種主流的學(xué)習(xí)范式：基于自回歸語言建模的 GPT 和基于掩碼語言建模的 BERT，這兩者在計(jì)算機(jī)視覺領(lǐng)域中也被重新設(shè)計(jì)，以便充分利用海量的網(wǎng)絡(luò)圖像。

然而，在視覺任務(wù)上設(shè)計(jì)具有相似風(fēng)格的目標(biāo)是具有挑戰(zhàn)性的，因?yàn)閳D像作為一種高維和冗余的模態(tài)，在兩個(gè)方面與文本不同：首先，文本由離散字符組成，而圖像在顏色空間中呈現(xiàn)連續(xù)值；其次，文本中的離散 token 包含高級語義含義，而離散化的圖像在像素級和 patch 級包含大量冗余 token。

因此，我們不禁會(huì)問是否有一種方法可以學(xué)習(xí)感知離散視覺 token，這將有助于圖像預(yù)訓(xùn)練。

基于上述觀察，來自中國科學(xué)技術(shù)大學(xué)、微軟亞研等機(jī)構(gòu)的研究者提出了學(xué)習(xí)感知 codebook（ perceptual codebook ，PeCo），用于視覺 transformer 的 BERT 預(yù)訓(xùn)練。目前，BEiT 成功地將 BERT 預(yù)訓(xùn)練從 NLP 領(lǐng)域遷移到了視覺領(lǐng)域。BEiT 模型直接采用簡單的離散 VAE 作為視覺 tokenizer，但沒有考慮視覺 token 語義層面。相比之下，NLP 領(lǐng)域中的離散 token 是高度語義化的。這種差異促使研究者開始學(xué)習(xí)感知 codebook，他們發(fā)現(xiàn)了一個(gè)簡單而有效的方法，即在 dVAE 訓(xùn)練期間強(qiáng)制執(zhí)行感知相似性。

該研究證明 PeCo 生成的視覺 token 能夠表現(xiàn)出更好的語義，幫助預(yù)訓(xùn)練模型在各種下游任務(wù)中實(shí)現(xiàn)較好的遷移性能。例如，該研究使用 ViT-B 主干在 ImageNet-1K 上實(shí)現(xiàn)了 84.5% 的 Top-1 準(zhǔn)確率，在相同的預(yù)訓(xùn)練 epoch 下比 BEiT 高 1.3。此外，該方法還可以將 COCO val 上的目標(biāo)檢測和分割任務(wù)性能分別提高 +1.3 box AP 和 +1.0 mask AP，并且將 ADE20k 上的語義分割任務(wù)提高 +1.0 mIoU。

論文地址：https://arxiv.org/pdf/2111.12710v1.pdf

方法

在自然語言中，詞是包含高級語義信息的離散 token。相比之下，視覺信號是連續(xù)的，具有冗余的低級信息。在本節(jié)中，該研究首先簡要描述了 VQ-VAE 的離散表示學(xué)習(xí)，然后介紹如何學(xué)習(xí)感知 codebook 的過程，最后對學(xué)習(xí)感知視覺 token 進(jìn)行 BERT 預(yù)訓(xùn)練。

學(xué)習(xí)用于可視化內(nèi)容的離散 Codebook

該研究利用 VQ-VAE 將連續(xù)圖像內(nèi)容轉(zhuǎn)換為離散 token 形式。圖像表示為 x∈ R^H×W×3，VQ-VAE 用離散視覺 Codebook 來表示圖像，即

其中，VQ-VAE 包含三個(gè)主要部分：編碼器、量化器和解碼器。編碼器負(fù)責(zé)將輸入圖像映射到中間潛在向量 z = Enc(x)；量化器根據(jù)最近鄰分配原則負(fù)責(zé)將位置 (i, j) 處的向量量化為來自 Codebook 對應(yīng)的碼字（codewords）：

然后得到如下公式：

其中 q 是量化編碼器，可以將向量映射到 codebook 索引，r 是量化解碼器，可以從索引重構(gòu)向量。基于量化的碼字為 z_q，解碼器旨在重構(gòu)輸入圖像 x。VQ-VAE 的訓(xùn)練目標(biāo)定義為：

學(xué)習(xí)用于視覺內(nèi)容的 PeCo

該研究提出，在不包含像素?fù)p失的情況下，對模型強(qiáng)制執(zhí)行原始圖像和重構(gòu)圖像之間的感知相似性。感知相似性不是基于像素之間的差異得到的，而是基于從預(yù)訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)中提取的高級圖像特征表示之間的差異而得到。該研究希望這種基于 feature-wise 的損失能夠更好地捕捉感知差異并提供對低級變化的不變性。下圖從圖像重構(gòu)的角度展示了模型使用不同損失的比較，結(jié)果表明圖像在較低的 pixel-wise 損失下可能不會(huì)出現(xiàn)感知相似：

圖 1. 不同損失下的圖像重構(gòu)比較。每個(gè)示例包含三個(gè)圖像，輸入（左）、使用 pixel-wise 損失重構(gòu)圖像（中）、使用 pixel-wise 損失和 feature-wise 損失重構(gòu)圖像（右）。與中間圖像相比，右側(cè)圖像在感知上與輸入更相似。

在形式上，假設(shè)輸入圖像 x 和重構(gòu)圖像

的感知度量可以表示為：

其中 S 表示提取特征的層數(shù)，總的目標(biāo)函數(shù)為：

BERT objective 執(zhí)行掩碼圖像建模

該研究采用 BERT objective 在離散視覺 token 上執(zhí)行掩碼圖像建模任務(wù)，如 BEiT。對于給定的圖像 x，輸入 token 為不重疊的圖像 patch，輸出 token 是通過學(xué)習(xí)方程 （5） 獲得的離散感知視覺單詞。設(shè)輸入為 {x_1 , x_2 , · · · , x_N }，并且真值輸出為

。 掩碼圖像建模的目標(biāo)是從掩碼輸入中恢復(fù)相應(yīng)的視覺 token，其中一部分輸入 token 已被掩碼掉。準(zhǔn)確地說，令 M 為掩碼索引集合，掩碼輸入

表示為：

其中，m 是與非掩碼 token 相同維度的可學(xué)習(xí)掩碼 token。掩碼（masked）輸入 token 被送入 L 層視覺 Transformer，最后一層的隱藏輸出表示為 {h^1 , h^2 , · · · , h^N }。

實(shí)驗(yàn)

該研究將預(yù)訓(xùn)練模型應(yīng)用于各種下游任務(wù)，包括 ImageNet-1K 分類、COCO 目標(biāo)檢測和 ADE20k 分割。

與 SOTA 模型比較

首先該研究將 PeCo 與 SOTA 研究進(jìn)行比較。研究者使用 ViT-B 作為主干并在 ImageNet-1K 上進(jìn)行預(yù)訓(xùn)練，epoch 為 300 。

圖像分類任務(wù)：在 ImageNet 1K 上進(jìn)行分類任務(wù)的 Top-1 準(zhǔn)確率如表 1 所示。可以看出，與從頭開始訓(xùn)練的模型相比，PeCo 顯著提高了性能，這表明預(yù)訓(xùn)練的有效性。更重要的是，與之前自監(jiān)督預(yù)訓(xùn)練模型相比，PeCo 模型實(shí)現(xiàn)了最佳性能。值得一提的是，與采用 800 epoch 的 BEiT 預(yù)訓(xùn)練相比，PeCo 僅用 300 epoch 就實(shí)現(xiàn)了 0.9% 的提高，并比 MAE 采用 1600 epoch 預(yù)訓(xùn)練性能提高 0.5%。這驗(yàn)證了 PeCo 確實(shí)有利于預(yù)訓(xùn)練。

語義分割任務(wù)：該研究將 PeCo 與 1）在 ImageNet-1K 上進(jìn)行監(jiān)督預(yù)訓(xùn)練和 2）BEiT（SOTA 性能自監(jiān)督學(xué)習(xí)模型）進(jìn)行比較，評估指標(biāo)是 mIoU，結(jié)果如表 2 所示。由結(jié)果可得，PeCo 在預(yù)訓(xùn)練期間不涉及任何標(biāo)簽信息，卻取得了比監(jiān)督預(yù)訓(xùn)練更好的性能。此外，與自監(jiān)督 BEiT 相比，PeCo 模型也獲得了較好的性能，這進(jìn)一步驗(yàn)證了 PeCo 的有效性。

目標(biāo)檢測與分割：如表 3 所示，在這一任務(wù)上，PeCo 獲得了最好的性能：

感知 Codebook 分析

碼字語義：學(xué)習(xí)的感知碼字是否具有（更多）語義含義？為了回答這個(gè)問題，該研究設(shè)計(jì)實(shí)驗(yàn)以提供視覺和定量結(jié)果。

首先，該研究將對應(yīng)于相同碼字的圖像 patch 進(jìn)行可視化，并與兩個(gè)基線進(jìn)行比較：在 2.5 億私有數(shù)據(jù)上訓(xùn)練而成的 DALL-E codebook；不使用感知相似性的 PeCo 模型的一個(gè)變體。結(jié)果如圖 3 所示，我們可以看到該研究碼字與語義高度相關(guān)，如圖中所示的輪子，來自基線的碼字通常與低級信息（如紋理、顏色、邊緣）相關(guān)。

此外，該研究還與不使用感知相似性的變體進(jìn)行了比較。如表 4 所示， 我們可以發(fā)現(xiàn)感知碼字在線性評估和重構(gòu)圖像分類方面獲得了更高的準(zhǔn)確率。這表明感知 codebook 具有更多的語義意義，有利于圖像重構(gòu)過程。

下圖為使用 BEiT 和 PeCo 在 ImageNet-1k 上重構(gòu)任務(wù)的示例。對于每個(gè)樣本，第一張是原始圖像，第二張是對應(yīng)的掩碼圖像，第三張是 BEiT 重構(gòu)圖像，最后一張是從感知 codebook（PeCo）重構(gòu)的圖像。PeCo 在感知 codebook 的幫助下，能夠?qū)ρ诖a區(qū)域進(jìn)行更語義化的預(yù)測。