北大博士生提出CAE，下游任务泛化能力优于何恺明MAE

杨净 发自 凹非寺

量子位 | 公众号 QbitAI

上回说道，何恺明时隔两年发一作论文，提出了一种视觉自监督学习新范式——

用掩蔽自编码器MAE，为视觉大模型开路。

这一次，北大博士生提出一个新方法CAE，在其下游任务中展现的泛化能力超过了MAE。

来看看这是一项什么样的研究？

这是一项什么研究？

自何恺明提出MAE以来，基于MIM，Masked Image Modeling，这一自监督学习表征算法就越来越引发关注。

它的主要思路，就是对输入图像进行分块和随机掩码操作，然后对掩码区域做预测。

预测的目标可以是Token ID（如微软提出的BEiT），也可以是RGB值（如MAE）。

通过MIM这一方法，编码器学习到好的表征，从而在下游任务中取得良好的泛化性能。

以往这一方法常见于NLP领域，但随着ViT的提出和发展，这一方法在视觉领域也取得了一些进展。

团队认为，近期两个代表性工作，BEiT和MAE，没有充分挖掘编码器encoder的潜力，限制了预训练学习的表征质量。

简单来说，BEiT的编码器只有一部分负责表征学习，还有一部分在做“前置/代理任务”（pretext task）。

到了MAE则是另一种情况，解码器也做了一部分表征学习，可能让编码器学会“偷懒”。

基于这一背景，团队提出了Context Autoencoder，简称CAE。核心设计思想是对“表征学习”和“前置/代理任务（pretext task）这两个功能做分离。

在预训练时，编码器只负责表征学习，解码器只负责解决前置任务，两者分工合作，将编码器表征能力最大化。

CAE包含四个部分。

1、编码器是一个ViT模型，负责学习图像可见patch的表征，提取图像特征Zv。

2、Latent contextual regressor（隐式上下文回归器）则是在此基础上预测出掩蔽patch的表征Zm。

3、解码器以Zm和对应的位置编码作为输入，通过Zm预测掩蔽patch的某些性质，比如RGB值、Token ID。这过程中Zv不会更新，表征学习任务全交给编码器。

4、Latent representation alignment对 Zm添加约束，希望 latent contextual regressor 的输出和编码器的输出在同一空间。具体来说，图像的掩蔽patch也将输入到编码器中（此过程不参与梯度反传），获得的这部分表征，作为Zm的学习目标。

Alignment很重要，如果想对掩码部分做好预测，要求latent contextual regressor 的输出（也是解码器的输入）含有比较好的语义信息。通过对齐操作，可以鼓励编码器的操作也含有好的语义信息，提高编码器的表征质量。

论文对alignment做了可视化：将全部patch输入编码器，然后将表征直接输入到解码器中，进行RGB的重建。CAE可以将原图重建出来 (第一行是原图，第二行是重建结果)，说明编码器的输出和latent contextual regressor 的输出处于同一编码空间。

如果训练时不做alignment约束，那么输出的结果将是这样…嗯，都是乱码。

这种设计的编码器学到的表征也相对更差，下游任务结果也会变差。

损失函数由两部分组成，一个是对解码器预测的监督，使用的是cross-entropy loss；一个是对alignment的监督，使用MSE损失函数。

除此之外，也进一步验证了以CAE为代表的MIM方法，要比Moco v3、DINO为代表的对比学习方法更适合下游任务。

该论文从随机裁剪操作的性质分析，认为随机裁剪有很大概率包含图像的中心区域。

而ImageNet-1K这种数据集中，中心区域通常是1000类标签集中的物体（如下图）。因此，对比学习方法主要提取图像中主体物体的特征。

而MIM方法能学到每个patch的特征，包括图像的背景区域，而不仅仅是图像主体物体，这让MIM学到的表征更适合下游检测分割任务。

论文对CAE和MoCo v3的注意力图做了可视化。红色表示注意力值更高，蓝色表示注意力值更低。第一行是原图，第二行是 MoCo v3，第三行是 CAE。可以看到，MoCo v3 的注意力图主要在图像的主体区域有高响应，而 CAE 能考虑到几乎所有patch。

研究团队使用ViT-small和ViT-base在 ImageNet-1K 上进行实验，输入图像的分辨率224*224，每张图被分成14*14的patch，每个patch的大小为16*16。

每次将有75个patch被随机掩码，其余patch则为可见的。

本文参照BEiT，使用DALL-E tokenizer对输入图像token化，得到预测目标。

最终结果显示，在语义分割任务中，跟其他MIM方法，比如MAE、BEiT，以及对比学习、有监督预训练方法的表征结果更好。

在物体检测、实例分割的结果也是如此。

百度CV大牛领衔

本次研究由北京大学、香港大学、百度共同完成。

第一作者是在读博士生陈小康，来自北京大学机器感知与智能（教育部）重点实验室。

通讯作者是百度计算机视觉首席架构师王井东，同时也是IEEE Fellow。

在加盟百度之前，曾在微软亚研院视觉计算组担任首席研究员。

感兴趣的旁友，可戳下方链接进一步查看论文~

论文链接：
https://arxiv.org/abs/2202.03026