本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯系出處。

最近，Meta AI推出了這樣一個“雜食者” （Omnivore）模型，可以對不同視覺模態的數據進行分類，包括圖像、視頻和3D數據。

比如面對最左邊的圖像，它可以從深度圖、單視覺3D圖和視頻數據集中搜集出與之最匹配的結果。

這在之前，都要分用不同的模型來實現；現在一個模型就搞定了。

而且Omnivore易于訓練，使用現成的標準數據集，就能讓其性能達到與對應單模型相當甚至更高的水平。

實驗結果顯示，Omnivore在圖像分類數據集ImageNet上能達到86.0%?的精度，在用于動作識別的Kinetics數據集上能達84.1%，在用于單視圖3D場景分類的SUN RGB-D也獲得了67.1%。

另外，Omnivore在實現一切跨模態識別時，都無需訪問模態之間的對應關系。

不同視覺模態都能通吃的“雜食者”

Omnivore基于Transformer體系結構，具備該架構特有的靈活性，并針對不同模態的分類任務進行聯合訓練。

模型架構如下：

Omnivore會將輸入的圖像、視頻和單視圖3D圖像轉換為embedding，并饋送到Transformer中。

雖然它可以使用任何vision transformer架構來處理patch embedding，但鑒于Swin transformer在圖像和視頻任務上的強大性能，這里就使用該架構作為基礎模型。

具體來說，Omnivore將圖像轉為patch，視頻轉為時空tube（spatio-temporal tube），單視圖3D圖像轉為RGB patch和深度patch。

然后使用線性層將patches映射到到embedding中。其中對RGB patch使用同一線性層，對深度patch使用單獨的。

總的來說，就是通過embedding將所有視覺模式轉換為通用格式?，然后使用一系列時空注意力（attention）操作來構建不同視覺模式的統一表示。

研究人員在ImageNet-1K數據集、Kinetics-400數據集和SUN RGB-D數據集上聯合訓練出各種Omnivore模型。

這種方法類似于多任務學習和跨模態對齊，但有2點重要區別：

1、不假設輸入觀測值對齊（即不假設圖像、視頻和3D數據之間的對應關系）；

2、也不假設這些數據集共享相同的標簽空間（label space）。

性能超SOTA

實驗方面，首先將Omnivore與各視覺模態對應的特定模型（?下表中指Specific）進行比較。

一共有三種不同的模型尺寸：T、S和B。

預訓練模型在七個下游任務上都進行了微調。

圖像特定模型在IN1K上預訓練。視頻特定模型和單視圖3D特定模型均使用預訓練圖像特定模型的inflation進行初始化，并分別在K400和SUN RGB-D上進行微調。

結果發現，Omnivore在幾乎所有的下游任務上的性能都相當于或優于各特定模型。

其中尺寸最大的Swin-B實現了全部任務上的SOTA。

將Omnivore與具有相同模型架構和參數數量的特定模型比較也是相同的結果。

其中Omnivore在IN1K、K400和SUN數據集上從頭開始聯合訓練，而特定模態的模型針對每個數據集專門訓練：

ImageSwin模型從零開始訓練，VideoSwin和DepthSwin模型則從ImageSwin模型上進行微調。

接下來將Omnivore與圖像、視頻和3D數據分類任務上的SOTA模型進行比較。

結果仍然不錯，Omnivore在所有預訓練任務中都表現出了優于SOTA模型的性能（下圖從上至下分別為圖像、視頻和3D數據）。

此外，在ImageNet-1K數據集上檢索給定RGB圖像的深度圖也發現，盡管Omnivore沒有接受過關于1K深度圖的訓練，但它也能夠給出語義相似的正確答案。

最后，作者表示，盡管這個“雜食者”比傳統的特定模式模型有了很多進步，但它有一些局限性。

比如目前它僅適用于單視圖3D圖像，不適用于其他3D表示，如體素圖（voxels）、點云圖等。

論文地址：
?????https://arxiv.org/abs/2201.08377????

代碼已開源：

????https://github.com/facebookresearch/omnivore????