色老板精品视频在线观看,国产免费性爱视频,97综合视,操碰在线视频,五月天丁香成人,无码aaa,日本免费内射,成人免费黄片网站

選自arXiv

作者：Adam Zewe ?機(jī)器之心編譯??編輯：趙陽、張倩

本文提出了訓(xùn)練視覺 Transformer（ViT）的三種數(shù)據(jù)增強(qiáng)方法：灰度、過度曝光、高斯模糊，以及一種簡(jiǎn)單的隨機(jī)修剪方法 (SRC)。實(shí)驗(yàn)結(jié)果表明，這些新方法在效果上大大優(yōu)于 ViT 此前的全監(jiān)督訓(xùn)練方法。

Transformer 模型 [55] 及其衍生模型在 NLP 任務(wù)中取得巨大成功后，在計(jì)算機(jī)視覺任務(wù)中也越來越受歡迎。這一系列的模型越來越多地用于圖像分類 [13]、檢測(cè)與分割 [3]、視頻分析等領(lǐng)域。尤其是 Dosovistky 等人 [13] 提出的視覺 Transformer（ViT）成為了卷積結(jié)構(gòu)的合理替代模型。這些現(xiàn)象說明 Transformers 模型已經(jīng)可以作為一種通用架構(gòu)，來通過注意力機(jī)制學(xué)習(xí)卷積以及更大區(qū)間的操作 [5,8]。相比之下，卷積網(wǎng)絡(luò) [20,27,29,41] 本就具備了平移不變性，不用再通過訓(xùn)練來獲取。因此，包含卷積的混合體系結(jié)構(gòu)比普通 Transformers 收斂得更快也就不足為奇了 [18]。

因?yàn)?Transformer 僅將多個(gè) patch 中相同位置的像素合并，所以 Transformer 必須了解圖像的結(jié)構(gòu)，同時(shí)優(yōu)化模型，以便它處理用來解決給定任務(wù)目標(biāo)的輸入。這些任務(wù)可以是在監(jiān)督情況下產(chǎn)生標(biāo)簽，或者在自監(jiān)督方法下的其他代理任務(wù)。然而，盡管 Transformer 取得了巨大的成功，但在計(jì)算機(jī)視覺方面研究如何有效訓(xùn)練視覺 Transformer 的工作卻很少，特別是在像 ImageNet1k 這樣的中型數(shù)據(jù)集上。從 Dosovistky 等人的工作 [13] 開始，訓(xùn)練步驟大多是使用 Touvron 等人 [48] 和施泰納等人 [42] 提出的方法的變體。相比之下，有許多工作通過引入池化、更有效的注意力機(jī)制或者重新結(jié)合卷積和金字塔結(jié)構(gòu)的混合架構(gòu)提出了替代架構(gòu)。這些新設(shè)計(jì)雖然對(duì)某些任務(wù)特別有效，但不太通用。所以研究者們會(huì)困惑，性能的提高到底是由于特定的架構(gòu)設(shè)計(jì)，還是因?yàn)樗凑?ViT 卷積所提出的方式改進(jìn)了優(yōu)化過程。

最近，受時(shí)下流行的基于 BerT 預(yù)訓(xùn)練啟發(fā)的自監(jiān)督方法為計(jì)算機(jī)視覺中的 BerT 時(shí)代帶來了希望。從 Transformer 架構(gòu)本身出發(fā)，NLP 和 CV 領(lǐng)域之間存在一些相似之處。然而，并非在所有方面都是相同的：處理的模態(tài)具有不同的性質(zhì)（連續(xù)與離散）。CV 提供像 ImageNet [40] 這樣的大型帶有注釋的數(shù)據(jù)庫，并且在 ImageNet 上進(jìn)行全監(jiān)督的預(yù)訓(xùn)練對(duì)于處理不同的下游任務(wù)（例如遷移學(xué)習(xí) [37] 或語義分割）是有效的。

如果沒有對(duì) ImageNet 上全監(jiān)督方法的進(jìn)一步研究，很難斷定像 BeiT [2] 這樣的自監(jiān)督方法的性能是否該歸因于網(wǎng)絡(luò)的訓(xùn)練過程，例如數(shù)據(jù)增強(qiáng)、正則化、優(yōu)化，或能夠?qū)W習(xí)更一般的隱式表示的底層機(jī)制。在本文中，研究者們沒有強(qiáng)行回答這個(gè)難題，而是通過更新常規(guī) ViT 架構(gòu)的訓(xùn)練程序來探討這個(gè)問題。

論文地址：https://arxiv.org/pdf/2204.07118.pdf

研究者們希望這個(gè)工作能有助于更好地理解如何充分利用 Transformer 的潛力以及說明類似 BerT 的預(yù)訓(xùn)練的重要性。他們的工作建立在最新的全監(jiān)督和自監(jiān)督方法的基礎(chǔ)上，并對(duì)數(shù)據(jù)增強(qiáng)提出了新的見解。作者為 ImageNet-1k 和 ImageNet-21k 上的 ViT 提出了新的訓(xùn)練方法。主要構(gòu)成如下：

作者以 Wightman 等人的工作 [57] 為基礎(chǔ)，同樣使用 ResNet50 。特別之處在于，僅對(duì) Imagenet1k 的訓(xùn)練過程采用二元交叉熵?fù)p失，這一步可以通過引入一些顯著改善大型 ViT [51] 訓(xùn)練的方法，即 stochastic depth [24] 和 LayerScale [51]，來實(shí)現(xiàn)。
3-Augment：這是一種簡(jiǎn)單的數(shù)據(jù)增強(qiáng)方式，靈感來自于自監(jiān)督學(xué)習(xí)。令人驚訝的是，在使用 ViT 時(shí)，作者觀察到這種方法比用于訓(xùn)練 ViT 的常用自動(dòng) / 學(xué)習(xí)數(shù)據(jù)增強(qiáng)（如 RandAugment [6]）效果更好。
在像 ImageNet-21k 這樣的更大數(shù)據(jù)集上進(jìn)行預(yù)訓(xùn)練時(shí)，簡(jiǎn)單隨機(jī)裁剪的方式比調(diào)整大小后再隨機(jī)裁剪的方式更有效。
訓(xùn)練時(shí)降低分辨率。這種選擇減少了訓(xùn)練和測(cè)試過程的差異 [53]，而且還沒有被 ViT 使用。作者觀察到這樣做還能通過防止過擬合，來使得對(duì)最大的模型產(chǎn)生正則化效果。例如，目標(biāo)分辨率是 224 × 224 ，在分辨率 126 × 126（81 個(gè) token）下預(yù)訓(xùn)練的 ViT-H 在 ImageNet-1k 上的性能比在分辨率 224 × 224（256 個(gè) token）下預(yù)訓(xùn)練時(shí)更好。并且在預(yù)訓(xùn)練時(shí)的要求也較低，因?yàn)?token 數(shù)量減少了 70%。從這個(gè)角度來看，這樣做提供了與掩碼自編碼器 [19] 類似的縮放屬性。

這種 “新” 訓(xùn)練策略不會(huì)因最大模型而飽和，這比 Touvron 等人的 Data-Efficient Image Transformer (DeiT) [48] 又多邁出了一步。至此，研究者們?cè)趫D像分類和分割方面都獲得了具有競(jìng)爭(zhēng)力的性能，即使是與最近流行的架構(gòu)（如 SwinTransformers [31] 或現(xiàn)代卷積網(wǎng)絡(luò)架構(gòu)（如 ConvNext [32]）相比也是如此。下面闡述一些作者認(rèn)為有趣的結(jié)果。

即使在中等規(guī)模的數(shù)據(jù)集上，研究者也會(huì)利用具有更多能力的模型。例如，僅在 ImageNet1k 上訓(xùn)練 ViT-H 時(shí)， top-1 準(zhǔn)確率達(dá)到 85.2%，這比文獻(xiàn)中報(bào)道的分辨率為 224×224 的監(jiān)督訓(xùn)練過程的最佳 ViT-H 提高了 +5.1%。

ImageNet-1k 訓(xùn)練程序允許訓(xùn)練十億參數(shù)的 ViT-H（52 層），無需任何超參數(shù)適應(yīng)，只需使用與 ViT-H 相同的隨機(jī)深度下降率。在 224×224 時(shí)達(dá)到 84.9%，即比在相同設(shè)置下訓(xùn)練的相應(yīng) ViT-H 高 +0.2%。

在不犧牲性能的情況下，將所需的 GPU 數(shù)量和 ViT-H 的訓(xùn)練時(shí)間都能減少一半以上，從而可以在不減少資源的情況下有效地訓(xùn)練此類模型。這要?dú)w功于研究者以較低分辨率進(jìn)行的預(yù)訓(xùn)練，從而減少了峰值記憶。

對(duì)于 ViT-B 和 Vit-L 模型，作者提出的監(jiān)督訓(xùn)練方法與具有默認(rèn)設(shè)置的類似 BerT 的自監(jiān)督方法 [2, 19] 相當(dāng)，并且在使用相同級(jí)別的注釋和更少的 epoch 時(shí)，兩者都適用于圖像分類和語義分割任務(wù)。

通過這種改進(jìn)的訓(xùn)練過程，vanilla ViT 縮小了與最近最先進(jìn)架構(gòu)的差距，同時(shí)通常能提供更好的計(jì)算 / 性能權(quán)衡。作者提出的模型在附加測(cè)試集 ImageNet-V2 [39] 上也相對(duì)更好，這表明他們訓(xùn)練的模型比先前的大多數(shù)工作能更好地泛化到另一個(gè)驗(yàn)證集上。

對(duì)遷移學(xué)習(xí)分類任務(wù)中使用的裁剪比率的影響進(jìn)行消融實(shí)驗(yàn)。研究者觀察到裁剪結(jié)果對(duì)性能有顯著影響，但最佳值很大程度上取決于目標(biāo)數(shù)據(jù)集 / 任務(wù)。

?Vision Transformers 重溫訓(xùn)練和預(yù)訓(xùn)練

在本節(jié)中，研究者介紹了視覺 Transformers 的訓(xùn)練過程，并將其與現(xiàn)有方法進(jìn)行比較。他們?cè)诒?1 中詳細(xì)說明了不同的成分?；?Wightman 等人 [57] 和 Touvron 等人 [48] 的工作，作者介紹了幾個(gè)對(duì)最終模型精度有重大影響的改動(dòng)。

數(shù)據(jù)增強(qiáng)

自從 AlexNet 出現(xiàn)以來，用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)增強(qiáng)流程有幾次重大的修改。有趣的是，相同的數(shù)據(jù)增強(qiáng)，如 RandAugment [6]，被廣泛用于 ViT，而他們的策略最初是為了卷積網(wǎng)絡(luò)學(xué)習(xí)而產(chǎn)生的。鑒于這些架構(gòu)中的架構(gòu)先驗(yàn)和偏差是完全不同的，增強(qiáng)策略可能無法適應(yīng)，并且考慮到選擇中涉及的大量選擇，可能會(huì)過擬合。因此，研究者重新審視了這個(gè)先驗(yàn)步驟。

3-Augment：作者提出了一個(gè)簡(jiǎn)單的數(shù)據(jù)增強(qiáng)，靈感來自監(jiān)督學(xué)習(xí) (SSL) 中使用的內(nèi)容。作者提出應(yīng)該考慮以下三種變形：

灰度：有利于顏色不變性并更加關(guān)注形狀。
過度曝光：會(huì)在顏色上添加強(qiáng)烈的噪點(diǎn)，以更加適應(yīng)顏色強(qiáng)度的變化，從而更加關(guān)注形狀。
高斯模糊：為了稍微改變圖像中的細(xì)節(jié)。

對(duì)于每張圖像，他們以均值概率來選擇其中一個(gè)數(shù)據(jù)增強(qiáng)。除了這 3 個(gè)增強(qiáng)選項(xiàng)之外，還包括常見的顏色抖動(dòng)和水平翻轉(zhuǎn)。圖 2 說明了 3-Augment 方法中使用的不同增強(qiáng)。

在表 2 中，他們提供了對(duì)不同數(shù)據(jù)增強(qiáng)組件的消融實(shí)驗(yàn)結(jié)果。

裁剪

GoogleNet [43] 中介紹了 Random Resized Crop (RRC)。它是一種限制模型過度擬合的正則化，同時(shí)有利于模型所做的決策對(duì)于某一類轉(zhuǎn)換是不變的。這種數(shù)據(jù)增強(qiáng)在 Imagenet1k 上被認(rèn)為很重要，能防止過度擬合，這種情況恰好在現(xiàn)代大型模型中較為常見。

然而，這種裁剪策略在訓(xùn)練圖像和測(cè)試圖像之間引入了一些長(zhǎng)寬比和物體的明顯尺寸方面的差異 [53]。由于 ImageNet-21k 包含更多的圖像，不太容易過度擬合。因此，研究者質(zhì)疑強(qiáng) RRC 正則化的優(yōu)勢(shì)是否能夠彌補(bǔ)在更大數(shù)據(jù)集上訓(xùn)練時(shí)的缺點(diǎn)。

簡(jiǎn)單隨機(jī)裁剪 (SRC) 是一種更簡(jiǎn)單的裁剪提取方法。它類似于 AlexNet [27] 中提出的原始裁剪選擇：調(diào)整圖像的大小，使最小的邊與訓(xùn)練分辨率相匹配。然后在所有邊應(yīng)用一個(gè) 4 像素的反射填充，最后應(yīng)用一個(gè)沿圖像 x 軸隨機(jī)選擇訓(xùn)練圖形大小的正方形裁剪機(jī)制

圖 3 顯示 RRC 和 SRC 采樣的裁剪框。RRC 提供了很多不同大小和形狀的裁剪框。相比之下，SRC 覆蓋了整個(gè)圖像的更多部分并保留了縱橫比，但提供的形狀多樣性較少：裁剪框顯著重疊。因此，在 ImageNet1k 上進(jìn)行訓(xùn)練時(shí)，使用常用的 RRC 性能更好。舉個(gè)例子來說，如果不使用 RRC，ViT-S 上的 top-1 準(zhǔn)確率會(huì)降低 0.9%。

然而，在 ImageNet-21k（比 ImageNet-1k 大 10 倍）中，過擬合的風(fēng)險(xiǎn)較小，并且增加 RRC 提供的正則化和多樣性并不重要。在這種情況下，SRC 具有了減少外觀尺寸和縱橫比差異的優(yōu)勢(shì)。更重要的是，它使圖像的實(shí)際標(biāo)簽與裁剪后的標(biāo)簽相匹配的可能性更高：RRC 在裁剪方面相對(duì)激進(jìn)，在許多情況下，標(biāo)記的對(duì)象甚至不存在于作物中，如圖 4 所示，其中一些裁剪不包含標(biāo)記的對(duì)象。例如，對(duì)于 RRC，左側(cè)示例中的裁剪圖片沒有斑馬，或者中間示例中的三個(gè)裁剪圖片中沒有火車。SRC 不太可能發(fā)生這種情況，因?yàn)?SRC 覆蓋了圖像像素的大部分。

在表 5 中，研究者提供了 ImageNet-21k 上隨機(jī)調(diào)整裁剪大小的消融實(shí)驗(yàn)結(jié)果，可以看到這些裁剪方式能轉(zhuǎn)化為性能方面的顯著提升。

實(shí)驗(yàn)結(jié)果

研究者對(duì)圖像分類（在 ImageNet-21k 上進(jìn)行和不進(jìn)行預(yù)訓(xùn)練的 ImageNet-1k）、遷移學(xué)習(xí)和語義分割的評(píng)估表明，他們的程序大大優(yōu)于以前針對(duì) ViT 的全監(jiān)督訓(xùn)練方案。該研究還表明，經(jīng)過監(jiān)督訓(xùn)練的 ViT 的性能與最近的架構(gòu)性能相當(dāng)。這些結(jié)果可以作為最近在 ViT 上使用的自監(jiān)督方法的更好基準(zhǔn)模型。