CVPR 2022 | CNN自監(jiān)督預(yù)訓(xùn)練新SOTA！上交等聯(lián)合提出HCSC：具有層級結(jié)構(gòu)的圖像表征自學(xué)習(xí)新框架

編輯丨極市平臺
層級結(jié)構(gòu)無處不在，自然界中存在「界 - 門 - 綱 - 類 - 科 - 屬 - 種」這樣的層級關(guān)系, 大規(guī)模自然圖像數(shù)據(jù)集中也天然存在。例如，ImageNet 數(shù)據(jù)集的類別標(biāo)簽本身就是基于 WordNet 層級形成的, 我們總是可以「刨根問底」地找到某個類別的「父類」。舉例而言，拉布拉多犬是一種犬類，而犬類又是一種哺乳動物。這就形成了拉布拉多犬 -> 犬類 -> 哺乳動物的層級關(guān)系。

近年來, 計算機視覺領(lǐng)域涌現(xiàn)出一大批有效的自監(jiān)督預(yù)訓(xùn)練模型，如 NPID、SimCLR、MoCo 等，它們能夠從大規(guī)模數(shù)據(jù)集中通過自監(jiān)督的方式學(xué)習(xí)潛在的圖像語義表征，從而提升預(yù)訓(xùn)練模型在各項下游任務(wù)（如物體分類、目標(biāo)檢測、語義分割）的遷移性能。
這些自監(jiān)督預(yù)訓(xùn)練框架通?；趯Ρ葘W(xué)習(xí)實現(xiàn). 對比學(xué)習(xí)通過定義正負樣本對，并在表征空間中最大化正樣本對之間的相似度而最小化負樣本對之間的相似度, 從而達到「同類相吸、異類互斥」的目的。在不可獲得分類標(biāo)簽的情況下，NPID、MoCo、SimCLR 通過實例判別 (Instance Discrimination) 任務(wù)，將同一圖像經(jīng)過不同隨機數(shù)據(jù)增強后作為正樣本對，而將不同圖像作為負樣本對，從而學(xué)習(xí)對數(shù)據(jù)增強具有不變性的圖像表征。
然而, 現(xiàn)有的自監(jiān)督對比學(xué)習(xí)框架存在兩個問題：

• 缺乏對上述層級語義結(jié)構(gòu)的建模；

• 負樣本對的定義可能存在噪聲：隨機選擇的兩張圖像可能屬于相同類別。

針對這兩個問題，來自上海交通大學(xué)、Mila 魁北克人工智能研究所和字節(jié)跳動的研究者提出了一種基于層級語義結(jié)構(gòu)的選擇性對比學(xué)習(xí)框架（Hiearchical Contrastive Selective Coding，HCSC）。

• 論文地址: https://arxiv.org/abs/2202.00455

• 項目地址: https://github.com/gyfastas/HCSC

這一框架通過將圖像表征進行層級聚類，構(gòu)造具有層級結(jié)構(gòu)的原型向量 (hierarhcical prototypes)，并通過這些原型向量選擇更加符合語義結(jié)構(gòu)的負樣本進行對比學(xué)習(xí), 由此將層級化的語義信息融入到圖像表征中。該自監(jiān)督學(xué)習(xí)框架在多個下游任務(wù)中達到卷積神經(jīng)網(wǎng)絡(luò)自監(jiān)督預(yù)訓(xùn)練方法的 SOTA 性能。
方法

該工作的方法論框架包含兩個重要的模塊: 一個是層級語義結(jié)構(gòu)的構(gòu)建與維護, 另一個是基于層級語義結(jié)構(gòu)的選擇性對比學(xué)習(xí)。
層級語義表征
研究者注意到，層級語義結(jié)構(gòu)天然可以通過樹狀結(jié)構(gòu)來描述：如果將樹中的某個節(jié)點認為是一個語義類別, 則父節(jié)點可以認為是它的上層類別，例如「拉布拉多犬」的父節(jié)點可以認為是「犬類」，而其兄弟節(jié)點可以包括「貴賓犬」、「薩摩犬」等。這樣的樹狀結(jié)構(gòu)顯然具備一個性質(zhì)：同一父節(jié)點的兩個子節(jié)點必然也共享更上層的祖先節(jié)點，例如「貴賓犬」與「薩摩犬」同為犬類, 它們也同為哺乳動物。
那么，如何在圖像的表征空間中構(gòu)建這樣的樹狀結(jié)構(gòu)呢？在缺少類別標(biāo)簽的無監(jiān)督場景中，可以通過對圖像特征聚類的方式獲得圖像的潛在語義類別。聚類中心則可以被認為是代表著某種語義類別的「原型向量」，基于自底向上的層級聚類思想, 在這些聚類中心的基礎(chǔ)上進一步進行聚類則可以得到更高層級的潛在語義類別。在這一過程中, 語義類別的樹狀結(jié)構(gòu)自然地得以維護：在某層聚類中為相同類別的圖像，在上層中仍然保持為相同類別。
在實現(xiàn)過程中, 該研究采用了簡單有效的自底向上層級 K-means 算法, 具體算法流程如下：

在該訓(xùn)練框架中，每進行一輪學(xué)習(xí)后，由于網(wǎng)絡(luò)參數(shù)的更新，圖像的表征也隨之更新。
因此，在每個訓(xùn)練epoch之前, 均通過當(dāng)前的網(wǎng)絡(luò)參數(shù)提取整個數(shù)據(jù)集的圖像表征，對提取到的圖像表征應(yīng)用如上所述的層級 K-means 算法得到一系列具有樹狀結(jié)構(gòu)的層級原型, 這些層級原型將在接下來的訓(xùn)練過程中用于指導(dǎo)對比學(xué)習(xí)的樣本選擇，從而將層級化的語義信息融入到圖像表征中。
選擇性對比學(xué)習(xí)
在得到了一系列具備層級結(jié)構(gòu)、潛在地表征某一類別的原型向量后, 可以基于這些原型向量選擇更加符合語義結(jié)構(gòu)的對比學(xué)習(xí)樣本. 

• 選擇性實例對比學(xué)習(xí)

首先，我們簡要回顧一下自監(jiān)督對比學(xué)習(xí)的基本原理。對比學(xué)習(xí)的目的可以概括為實現(xiàn)「同類相吸」、「異類互斥」。在不考慮原型向量的情況下, 基于實例的對比學(xué)習(xí)通過定義正負樣本對, 并在表征空間中最大化正樣本對之間的相似度而最小化負樣本對之間的相似度來實現(xiàn)上述目的。
此前的方法 (如 NPID、MoCo 等) 將同一圖像經(jīng)過不同隨機數(shù)據(jù)增強后的版本作為正樣本對，而將不同圖像作為負樣本對。這樣的方式存在一個關(guān)鍵的問題：所選擇的負樣本對可能屬于相同類別，從而使得相同類別的樣本在表征空間中互相遠離，這將在某種程度上破壞模型所學(xué)習(xí)到的表征有效性。
出現(xiàn)這一問題的根本原因在于沒有額外的類別信息指導(dǎo)對負樣本的選擇。如果我們知道類別信息，則可以將同類負樣本剔除 (這些同類負樣本也可以稱為假負樣本)，從而避免帶來梯度噪聲。在自監(jiān)督的情況下，雖然沒有準(zhǔn)確的類別信息，但我們通過此前的層級聚類過程得到了一系列聚類標(biāo)簽。在這些聚類標(biāo)簽的幫助下, 可以近似地達到剔除假負樣本的目的：如果一對樣本屬于相同的聚類中心, 則從負樣本對中剔除即可。
更進一步地，考慮到聚類標(biāo)簽的不確定性，該研究通過接受 - 拒絕采樣的方式對負樣本進行選擇。對于一個圖像表征z，層級聚類的結(jié)果可以導(dǎo)出該圖像在第l層所屬的聚類中心（其中s(·)是相似度函數(shù)，在該研究中通過 cosine 相似度實現(xiàn)）；這一聚類中心代表了該圖像在這一層中所屬的類別。接下來，對于候選負樣本，它被選擇的作為負樣本的概率為:

直觀而言, 一個候選負樣本被選擇的概率可以近似被描述為「與目標(biāo)樣本屬于不同聚類中心的概率」經(jīng)過選擇過程后, 更高質(zhì)量的負樣本集 將被用于計算 InfoNCE 損失. 在多個層級聚類中心指導(dǎo)下, 最終的選擇性實例對比學(xué)習(xí) (Instance-wise Contrastive Selective Coding, ICSC) 的損失函數(shù)為：

• 選擇性原型對比學(xué)習(xí)

除了用于指導(dǎo)實例間的對比學(xué)習(xí)，層級原型還可用于輔助原型對比學(xué)習(xí)。原型對比學(xué)習(xí)是圖像表征與聚類中心之間的交互，可以簡單總結(jié)為在表征空間中最大化圖像表征與其所屬的聚類中心的相似度。
同樣地，如果通過隨機采樣的方式形成負原型集合 N_c，那么其中也可能存在與聚類中心 c 語義相近的原型 (例如 c 的兄弟節(jié)點)：如果某張圖像是薩摩犬，選擇相似的種類例如拉布拉多犬作為負例進行對比學(xué)習(xí)并不是一個好選項。而層級結(jié)構(gòu)的存在為選擇合理的對比原型提供了一個解決方案：與此前選擇對比樣本類似，我們只需要計算某一候選原型與目標(biāo)原型的父節(jié)點的相似度，即可選擇與目標(biāo)原型大概率不是近似類別的原型，從而避免可能帶來噪聲的對比原型。具體而言, 某個聚類中心c_j被選擇作為對比原型的概率為：

類似地, 這一概率可以被描述為「某一原型與目標(biāo)原型屬于不同父類的概率」?；诮?jīng)過選擇后的負原型集合，選擇性原型對比學(xué)習(xí)損失被定義為：

最后, 我們將兩種改進后的對比學(xué)習(xí)損失進行組合得到最終的優(yōu)化目標(biāo)：

實驗結(jié)果

主要結(jié)果
研究者們在 ImageNet-1k 線性分類、KNN、半監(jiān)督學(xué)習(xí)以及跨數(shù)據(jù)集的遷移學(xué)習(xí) (包括在 VOC、COCO 數(shù)據(jù)集的目標(biāo)檢測任務(wù)以及在 VOC、Places205 數(shù)據(jù)集的分類任務(wù)) 的實驗設(shè)置下與基于 CNN 架構(gòu)的 SOTA 方法進行了對比，HCSC 在多個任務(wù)中均取得了出色的效果。
不同訓(xùn)練配置下模型性能對比：

更多下游任務(wù)的性能對比：

可視化
除了量化實驗，該論文還給出了直觀的可視化結(jié)果。研究者們展示了 HCSC 在 ImageNet 上的聚類結(jié)果，在下圖中可以明顯地看出存在層級結(jié)構(gòu)：叼著魚的灰熊 => 在水上的熊或者狗 => 在水上的動物。

另外一個例子, 研究者們展示了一個經(jīng)典的語義樹狀結(jié)構(gòu)：

除了層級結(jié)構(gòu)可視化，研究者們也展示了 HCSC 訓(xùn)練過程中刪除的「假負樣本」：例如對其中一個鳥類樣本，刪除的對比負樣本也大部分為鳥類。

消融實驗
研究者們還做了充分的消融實驗來驗證了所提出的層級原型和樣本選擇模塊的有效性， 以及對每層原型數(shù)量選擇的對比實驗?？梢姡?/span>
1. 層級原型、實例樣本選擇、原型樣本選擇模塊的有效性都得到了驗證，可以分別在 baseline (67.6)的基礎(chǔ)上有效漲點 (67.6 => 68.9 => 69.2)，其中效果最明顯的是實例樣本選擇模塊。
2. 在原型數(shù)量相同的情況下，帶有層級結(jié)構(gòu)的原型 (3000-2000-1000) 比單層原型 (6000) 取得更優(yōu)的性能。這也印證了層級原型的有效性。另一方面，模型對進一步增加層級數(shù)以及各層原型的數(shù)量不敏感。

一作介紹

• 郭遠帆: 上海交通大學(xué)電子系二年級碩士生, 導(dǎo)師為徐奕副研究員. 他本科就讀于上海交通大學(xué), 本科期間主要研究方向為計算機視覺、醫(yī)學(xué)影像處理, 在MICCAI、ISBI、Neurocomputing等會議與期刊中以第一作者/共同第一作者身份發(fā)表論文三篇. 碩士期間研究方向為計算機視覺、自監(jiān)督學(xué)習(xí), 在字節(jié)跳動實習(xí)期間完成該研究工作。

• 徐明皓，Mila 魁北克人工智能研究所一年級博士生，導(dǎo)師是唐建教授，主要研究方向是圖表征學(xué)習(xí)、圖像表征學(xué)習(xí)和****物發(fā)現(xiàn)。他本科和碩士就讀于上海交通大學(xué)，在上海交大計算機視覺實驗室進行科研工作，導(dǎo)師是倪冰冰教授，期間的主要研究方向為遷移學(xué)習(xí)和視覺計算。他在 NeurIPS、ICML、CVPR、ICCV、ECCV 等會議上以第一作者 / 共同第一作者身份發(fā)表論文七篇。

  
  

本文僅做學(xué)術(shù)分享，如有侵權(quán)，請聯(lián)系刪文。