一文解析人工智能之CV領(lǐng)域內(nèi)的無監(jiān)督學(xué)習(xí)

導(dǎo)讀

本文主要介紹了CV領(lǐng)域內(nèi)的無監(jiān)督學(xué)習(xí)，內(nèi)容主要包括Moco、Simclr、BYOL、SimSiam、SwAV、MAE、IPT，詳細(xì)介紹了這些經(jīng)典工作的亮點(diǎn)，并附有自己實(shí)際工作中復(fù)現(xiàn)的心得體會(huì)，希望能夠幫助大家更深刻的了解無監(jiān)督學(xué)習(xí)

前言

由于工作原因搞了相當(dāng)一段時(shí)間的無監(jiān)督學(xué)習(xí)，包括cv單模態(tài)的無監(jiān)督，以及多模態(tài)的無監(jiān)督學(xué)習(xí)，這里將自己重點(diǎn)關(guān)注的論文介紹一下，并且會(huì)附上自己在實(shí)驗(yàn)過程中的一點(diǎn)心得體會(huì)。這篇文章主要介紹圖像（CV）領(lǐng)域內(nèi)的無監(jiān)督學(xué)習(xí)。

無監(jiān)督學(xué)習(xí)的概念其實(shí)很早就有了，從最初的auto-encoder，到對(duì)圖像進(jìn)行不同的預(yù)處理然后進(jìn)行預(yù)測的無監(jiān)督學(xué)習(xí)（比如旋轉(zhuǎn)后預(yù)測旋轉(zhuǎn)角度、mask一部分進(jìn)行復(fù)原），以及到如今對(duì)比學(xué)習(xí)（simclr、moco）、特征重構(gòu)（byol，simsiam）、像素重構(gòu)MAE、甚至low-level的無監(jiān)督預(yù)訓(xùn)練（IPT），可以說圖像的無監(jiān)督學(xué)習(xí)獲得了長足的發(fā)展，而且無監(jiān)督的效果已經(jīng)在逐步逼近有監(jiān)督的效果。

當(dāng)然，截止到目前我仍然不認(rèn)為無監(jiān)督學(xué)習(xí)的效果能打敗有監(jiān)督學(xué)習(xí)，但是在大量沒有標(biāo)注的數(shù)據(jù)上進(jìn)行無監(jiān)督訓(xùn)練，然后再在自己的特定任務(wù)上的少量標(biāo)注數(shù)據(jù)上進(jìn)行finetune，那效果確實(shí)是會(huì)好很多的，但是如果是大量的無監(jiān)督訓(xùn)練的數(shù)據(jù)也是有標(biāo)注的情況，那么效果肯定不如直接有監(jiān)督訓(xùn)練，而且經(jīng)過自己的實(shí)驗(yàn)，即便是先無監(jiān)督再有監(jiān)督、有監(jiān)督無監(jiān)督一起訓(xùn)練也不會(huì)有太大收益，所以說目前為止還是數(shù)據(jù)為王。

但是目前無論是單模態(tài)（CV、NLP）還是多模態(tài)下，都會(huì)有超大規(guī)模的預(yù)訓(xùn)練數(shù)據(jù)甚至能到億級(jí)別，在這種數(shù)據(jù)量下預(yù)訓(xùn)練出來的模型當(dāng)然會(huì)很好，但是收集整理如此量數(shù)據(jù)以及在億級(jí)別訓(xùn)練數(shù)據(jù)上進(jìn)行訓(xùn)練都是極其消耗資源的，一般的研究員都是load開源的模型參數(shù)再進(jìn)一步pretrain或者finetune。

對(duì)比學(xué)習(xí)

最初做無監(jiān)督的想法很簡單，類似auto-encoder，重構(gòu)像素、或者對(duì)圖像做一些變換（比如旋轉(zhuǎn)）然后進(jìn)行預(yù)測，但是如此做并沒有得到特別好的效果。自己個(gè)人感覺對(duì)比學(xué)習(xí)（simclr和moco）的出現(xiàn)算是無監(jiān)督學(xué)習(xí)的一次質(zhì)的飛躍，而且這些經(jīng)典論文的一些思路以及結(jié)論，對(duì)其他工作都有借鑒意義，自己有關(guān)的實(shí)驗(yàn)也會(huì)一一介紹。

先簡單介紹下對(duì)比學(xué)習(xí)的概念。我們的輸入圖像??，經(jīng)過兩種不同的預(yù)處理（變換）之后可以得到兩張圖像?和??，那么經(jīng)過特征提取器（encoder）之后兩者的特征應(yīng)該是比較相近的。但是如果直接最大化兩張圖像特征的距離，模型很容易陷入坍塌，即特征都映射成固定特征，那么loss為0。因此對(duì)比學(xué)習(xí)引入負(fù)樣本的概念，對(duì)于來自同一張圖像的特征，其特征距離盡可能近，而來自不同圖像的特征，其特征距離要盡可能遠(yuǎn)，用學(xué)術(shù)上的話說就是最小化正樣本距離，最大化負(fù)樣本距離，也就是對(duì)比學(xué)習(xí)的損失函數(shù)。

這里對(duì)損失函數(shù)簡單解釋下，對(duì)比學(xué)習(xí)的輸入是對(duì)每一張圖像進(jìn)行兩種不同的變換，經(jīng)過特征提取之后會(huì)得到兩種特征，對(duì)任意特征??來說，總會(huì)有一個(gè)特征??是其正樣本（同一張?jiān)紙D像的兩種不同的數(shù)據(jù)增強(qiáng)得到的特征），而一個(gè)batch中的其他圖像提取到的特征就是負(fù)樣本。從原理上來說（其實(shí)是各種論文的實(shí)驗(yàn)結(jié)果），提高對(duì)比學(xué)習(xí)的效果就是提供足夠大的batch size、研究更加有效的不同預(yù)處理方式（使得經(jīng)過變換后的兩張圖像既能保留圖像最本質(zhì)的信息，又盡可能不一致）以及增加模型（encoder）表達(dá)能力。下面重點(diǎn)講一下對(duì)比學(xué)習(xí)領(lǐng)域內(nèi)Moco和Simclr兩個(gè)最具代表性以及影響力的文章。

MoCo: Momentum Contrast for Unsupervised Visual Representation Learning

首先是Moco，Moco研究的重點(diǎn)是如何增加計(jì)算loss時(shí)的負(fù)樣本數(shù)據(jù)，因?yàn)榭傦@存是有限的。Moco設(shè)計(jì)了一種巧妙的方式，在訓(xùn)練的過程中維護(hù)一個(gè)隊(duì)列，將歷史batch 中的特征（這里的特征由于沒有梯度，所以占顯存很?。┐嫒氲疥?duì)列中，這樣一個(gè)新的batch 在計(jì)算的時(shí)候，可以在隊(duì)列中找到足夠多的負(fù)樣本進(jìn)行迭代優(yōu)化。但是這樣有一個(gè)問題是，不同batch提取特征時(shí)的模型參數(shù)是在一直更新的，所以作者設(shè)計(jì)了一個(gè)momentum-encoder，其結(jié)構(gòu)與encoder完全相同，每次更新的時(shí)候以較小的步長從encoder中copy 參數(shù)，這樣momentum-encoder參數(shù)不是通過loss 來進(jìn)行學(xué)習(xí)的，所以提取的特征無需梯度，占用顯存就比較小，同時(shí)momentum-encoder 參數(shù)變化很緩慢，所以隊(duì)列中維護(hù)負(fù)樣本特征就保證了足量且相對(duì)一致（來自同一個(gè)模型參數(shù)），以保證對(duì)比學(xué)習(xí)的效果。

A Simple Framework for Contrastive Learning of Visual Representations

接下來介紹的就是Simclr這篇文章。Simclr可以說有錢任性，直接暴力加足夠的機(jī)器以保證4096的batch size，這樣一來損失函數(shù)就可以直接計(jì)算。Simclr主要研究了對(duì)圖像的不同變換以及特征表達(dá)的影響，Simclr做了大量不同的嘗試，最后發(fā)現(xiàn)在對(duì)比學(xué)習(xí)中，預(yù)處理效果最好。

除此之外，Cimclr還在encoder之外加了mlp結(jié)構(gòu)，進(jìn)一步提升了效果（其實(shí)不知道這個(gè)為什么會(huì)有效）。其模型結(jié)構(gòu)為：

Moco 在借鑒的Simclr的數(shù)據(jù)增強(qiáng)方式以及mlp結(jié)構(gòu)之后形成了moco-v2，效果也有很大的提升，說明simclr本身的實(shí)驗(yàn)結(jié)論十分solid。

最初在看到Moco這篇文章的時(shí)候確實(shí)覺得這個(gè)思路很巧妙，而且很明顯作者將其做work了，因?yàn)檎撐闹械闹笜?biāo)完全可復(fù)現(xiàn)。不過當(dāng)我復(fù)現(xiàn)simclr的時(shí)候設(shè)計(jì)了另外一種在一定量顯存的前提下模擬大batch size的實(shí)現(xiàn)方式，簡單講就是小batch 先不帶梯度推理保存結(jié)果，再帶梯度推理計(jì)算loss，但是需要重復(fù)推理，浪費(fèi)了訓(xùn)練時(shí)間。

我們看論文的目的除了直接用論文的方法之外，還可以借鑒論文中的部分思路。比如說Simclr中的數(shù)據(jù)增強(qiáng)以及mlp結(jié)構(gòu)，可以說是類似文章的標(biāo)配了，而Moco論文利用momentum-encoder以及隊(duì)列來實(shí)現(xiàn)在小batch size情況下得到足夠量的負(fù)樣本也很值得借鑒，在我訓(xùn)練CLIP（多模態(tài)對(duì)比學(xué)習(xí)）的時(shí)候采用的就是Moco的思路，比如ALBEF這篇文章也是用了類似的思路（當(dāng)然人家還有別的優(yōu)化點(diǎn)，所以能發(fā)表論文）。

同時(shí)自己在做目標(biāo)檢測的時(shí)候發(fā)現(xiàn)了一篇DetCo，其實(shí)就是將Moco適配到了目標(biāo)檢測領(lǐng)域，設(shè)計(jì)了多尺度的對(duì)比以及增加了局部VS全局的對(duì)比，自己實(shí)驗(yàn)下來，目標(biāo)檢測的任務(wù)下，DetCo確實(shí)比Moco好一些。在視頻領(lǐng)域也有由Moco改進(jìn)而來的VideoMoco，不過這篇文章沒實(shí)驗(yàn)過。

最后寫一些是自己應(yīng)用中的一些思考。首先是在自己的業(yè)務(wù)數(shù)據(jù)上訓(xùn)練類似Moco或者Simclr的時(shí)候，由于對(duì)比損失函數(shù)的特點(diǎn)，如果數(shù)據(jù)中相似數(shù)據(jù)占比較高的話最好做一下去重；其次是在多機(jī)多卡訓(xùn)練的過程中，正樣本都是在同一機(jī)器同一張卡上計(jì)算，但是負(fù)樣本會(huì)來自不同的機(jī)器，所以當(dāng)encoder 選用ResNet等CNN結(jié)構(gòu)時(shí)，BN層會(huì)有一定的信息泄漏，Moco中采用的是shuffle bn，而Simclr采用的是sync bn。

特征重構(gòu)

剛剛有提到，如果直接最大化兩張圖像特征的距離，模型很容易陷入坍塌。但是也有一些文章進(jìn)行直接進(jìn)行特征重構(gòu)但是卻能收斂（其實(shí)從原理上并不是很清楚收斂原因）。這里主要是介紹BYOL和SimSiam。

BYOL可以說是我在嘗試的論文中效果最好的一個(gè)，其最顯著的特點(diǎn)是訓(xùn)練的時(shí)候不需要負(fù)樣本，只需要正樣本就好。

BYOL在Simclr的mlp（projection）之后額外加了新的mlp結(jié)構(gòu)（predition），利用predition的結(jié)果和另一種增強(qiáng)方式得到的projection直接構(gòu)建l2 loss。BYOL中target emcoder其實(shí)就是Moco中的momentum-encoder，其參數(shù)更新來自于online-encoder，而不是由loss計(jì)算?？梢哉fBYOL在Moco-v2的基礎(chǔ)上直接去掉了負(fù)樣本的對(duì)比，而是在正樣本projection之后再進(jìn)行predition來預(yù)測圖像特征。

SimSiam就更簡單了，SimSiam 相當(dāng)于在BYOL的基礎(chǔ)上進(jìn)一步去掉了momentum-encoder，僅用一個(gè)encoder，而且作者研究發(fā)現(xiàn)保證模型不坍塌的原因是target 數(shù)據(jù)的梯度不回傳。

BYOL和Simsiam我自己也有有過嘗試，開源的代碼也并不復(fù)雜，確實(shí)能復(fù)現(xiàn)論文的效果，但是目前仍然不是很理解為何target 網(wǎng)絡(luò) stop gradient就能使得無監(jiān)督訓(xùn)練不坍塌，對(duì)我而言仍然是有一點(diǎn)點(diǎn)玄學(xué)。

其他思路

接下來的幾篇文章，是我個(gè)人覺得思路比較值得借鑒的文章，這里一并介紹下。

首先是SwAV這篇文章。這篇文章比較有意思的點(diǎn)是雖然loss采用的仍然是類似對(duì)比學(xué)習(xí)，但是其無需負(fù)樣本計(jì)算loss。具體實(shí)現(xiàn)方式為其中一個(gè)增強(qiáng)結(jié)果所提的特征會(huì)進(jìn)行聚類，得到一個(gè)one-hot編碼，我個(gè)人理解為就是為這張圖像打了一個(gè)label，然后對(duì)另一個(gè)增強(qiáng)結(jié)果進(jìn)行分類（特征與聚類中心點(diǎn)乘）。還有一個(gè)值得借鑒的點(diǎn)是其數(shù)據(jù)增強(qiáng)引入了低分辨率（小size），一張圖像經(jīng)過數(shù)據(jù)增強(qiáng)之后可以得到8個(gè)不同的view，其中兩個(gè)是高分辨率，其余六個(gè)是低分辨率，view1（利用distributed_sinkhorn 計(jì)算q）與其余7個(gè)view計(jì)算loss，view2（利用distributed_sinkhorn 計(jì)算q）與其余7個(gè)view計(jì)算loss。其loss 表達(dá)式和模型結(jié)構(gòu)為：

?

其次是MAE這篇文章，是凱明大神繼Moco系列之后的又一力作，其實(shí)自從BERT、GPT在NLP領(lǐng)域內(nèi)被成功應(yīng)用之后，在圖像領(lǐng)域也有相當(dāng)一部分研究集中在對(duì)圖像進(jìn)行一定mask然后重建的工作上，IGPT，BEiT是其中的代表作。其實(shí)自己也跑過類似IGPT的代碼，結(jié)果當(dāng)然是有點(diǎn)慘不忍睹。凱明大神一貫作風(fēng)是思路簡單，效果拔群，然而能將簡單的思路實(shí)現(xiàn)，并最終work，才真是硬實(shí)力。MAE 選用的模型是VIT結(jié)構(gòu)，首先對(duì)原圖進(jìn)行patch劃分，mask 的粒度也是在patch上完成。AutoEncoder 的結(jié)構(gòu)其實(shí)比較簡單，一個(gè)encoder，一個(gè)decoder，配合上VIT以及patch 劃分，整體模型結(jié)構(gòu)便呼之欲出。

MAE之所以能成功，個(gè)人認(rèn)為有兩個(gè)比較重要的關(guān)鍵點(diǎn)。

1. 75% mask 比例，與文本不同的是，一張圖像信息是非常冗余的，如果類似于BERT 采用隨機(jī)15%的mask比例的話，重建任務(wù)非常簡單，模型很容易就從mask部分的鄰域?qū)W到信息完成重建任務(wù)。

2. 非對(duì)稱的encoder、decoder結(jié)構(gòu)。在論文中指出，因?yàn)橛?xùn)練的目的是拿到比較好的encoder模型，所以encoder模型相對(duì)重一些（參數(shù)多），而輕量級(jí)（參數(shù)少）decoder已經(jīng)能很好的完成重建任務(wù)，與此同時(shí)，Mask token 不參與encoder計(jì)算，僅參與decoder計(jì)算，這樣一來，參數(shù)多的encoder只輸入25%的圖像數(shù)據(jù)，而輸入100%圖像數(shù)據(jù)的decoder參數(shù)又比較少，能夠加速計(jì)算。

最后是IPT這篇文章。IPT與之前文章最大的不同點(diǎn)在于IPT模型更加關(guān)注細(xì)粒度信息，當(dāng)然其負(fù)責(zé)的任務(wù)也主要是降噪、去雨、超分等low level 的任務(wù)，其模型以及任務(wù)的設(shè)計(jì)也比較巧妙，為每個(gè)任務(wù)設(shè)計(jì)獨(dú)立的head和tail模塊，中間層則是共享參數(shù)的transformer結(jié)構(gòu)，預(yù)訓(xùn)練任務(wù)就是人為對(duì)原始數(shù)據(jù)加噪聲、縮小等各種操作進(jìn)行復(fù)原，這篇文章感覺在low level 的任務(wù)上有很好的啟發(fā)意義。

總結(jié)

以上提到的大多數(shù)文章自己都有相關(guān)的實(shí)驗(yàn)，但是做無監(jiān)督有一點(diǎn)點(diǎn)心塞的是隨著自己業(yè)務(wù)上的標(biāo)注數(shù)據(jù)越來越多，無監(jiān)督預(yù)訓(xùn)練帶來的收益會(huì)越來越少，所以無監(jiān)督預(yù)訓(xùn)練在業(yè)務(wù)上應(yīng)用一般是啟動(dòng)的時(shí)候第一版本，手中只有少量的數(shù)據(jù)，這個(gè)時(shí)候加上無監(jiān)督預(yù)訓(xùn)練，而后隨著數(shù)據(jù)回流與標(biāo)注，有監(jiān)督訓(xùn)練的效果會(huì)越來越好。同時(shí)這里介紹的這么多篇文章，自己實(shí)驗(yàn)下來在業(yè)務(wù)數(shù)據(jù)上效果其實(shí)并沒有差很多，同時(shí)無監(jiān)督預(yù)訓(xùn)練也需要大量的數(shù)據(jù)，而且epoch也要更長（其實(shí)也比較消耗資源），最好是先load 各家在imagenet上預(yù)訓(xùn)練好的開源模型。

編輯：黃飛