曉查 發自 凹非寺

量子位 | 公眾號 QbitAI

ViT在計算機視覺領域取得了巨大的成功，甚至大有取代CNN之勢。

但是相比CNN，訓練ViT需要更多的數據，通常要在大型數據集JFT-300M或至少在ImageNet上進行預訓練，很少有人研究少量數據訓練ViT。

最近，南京大學吳建鑫團隊提出了一種新方法，只需2040張圖片即可訓練ViT。

他們在2040張花（flowers）的圖像上從頭開始訓練，達到了96.7%的準確率，表明用小數據訓練ViT也是可行的。

另外在ViT主干下的 7 個小型數據集上從頭開始訓練時，也獲得了SOTA的結果。

而且更重要的是，他們證明了，即使在小型數據集上進行預訓練，ViT也具有良好的遷移能力，甚至可以促進對大規模數據集的訓練。

論文內容

在這篇論文中，作者提出了用于自我監督 ViT訓練的IDMM（Instance Discrimination with Multi-crop and CutMix）。

我們先來看一下ViT圖像分類網絡的基本架構：

將圖像樣本x?（i = 1, 2, …, N; N為圖片數量）送入ViT中，得到一組輸出表征z?。w?為第j個分類的權重。

然后，使用全連接層W進行分類，當類的數量等于訓練圖像的總數N時，即參數化實例判別。

第j類的輸出為：

我們把O送入Softmax層，就得到一個概率分布P??。對于實例判別，損失函數為：

對于深度聚類，其損失函數為：

可以看出，只要適當設置權重（讓w? = ~w? ），就可以讓實例判別等價于深度聚類。

從下圖中可以看出，與其他方法相比，實例判別可以學習到更多的分布式表征，并能更好地捕捉到類內的相似性。

作者之所以選擇參數化的實例判別，還有一個重要的原因：簡單性和穩定性。

不穩定性是影響自監督ViT訓練的一個主要問題。實例判別（交叉熵）的形式更穩定，更容易優化。

接下來開始梯度分析，損失函數對權重求導：

其中δ是指示函數，當k=i時值為1，否則為0。

需要注意的是，對于實例判別，類的數量N通常很大，而且存在對實例樣本訪問極稀少的問題。

對于稀少的實例k≠i，可以預計P???≈0，因此?L/?w?≈0，這意味著w?的更新頻率極低。

在小數據集問題上，作者使用CutMix和標簽平滑，來緩解此問題。

CutMix：

標簽平滑：

最后梯度變為：

這樣通過直接修改單次標簽，來更頻繁地更新權重矩陣，也是ViT監督訓練中常用的方法。

總之，作者使用了以下策略來加強小數據集上的實例判別。

小分辨率：預訓練中的小分辨率對小數據集很有用。

多次裁剪：實例判別概括了對比損失，保證了在使用多種實例時獲取特征的對齊和統一性。

CutMix和標簽平滑：有助于緩解使用實例判別時的過擬合和不經常訪問的問題。

至于為什么需要直接在目標數據集上從頭開始訓練，作者給出了3點原因：

1、數據

目前的ViT模型通常在一個大規模的數據集上進行預訓練，然后在各種下游任務中進行微調。由于缺乏典型的卷積歸納偏向，這些模型比普通的CNN更耗費數據。

因此從頭開始訓練ViT，能夠用圖像總量有限的任務是至關重要的。

2、算力

大規模的數據集、大量的耗時和復雜的骨干網絡的，讓ViT訓練的算力成本非常昂貴。這種現象使ViT成為少數機構研究人員的特權。

3、靈活性

預訓練后再進行下游微調的模式有時會很麻煩。

例如，我們可能需要為同一任務訓練10個不同的模型，并將它們部署在不同的硬件平臺上，但在一個大規模的數據集上預訓練10個模型是不現實的。

在上圖中，很明顯與從頭開始訓練相比，ImageNet預訓練的模型需要更多的參數和計算成本。

在小數據集上進行預訓練時的遷移能力。每個單元格和列中精度最高的元素分別用下劃線和粗體表示

最后，在下表中，作者評估了在不同數據集上預訓練模型的遷移精度。

對角線上的單元（灰色）是在同一數據集上進行預訓練和微調。對角線外的單元格評估了這些小數據集的遷移性能。

從這張表中，我們可以看到以下幾點：

即使在小數據集上進行預訓練，ViT也有良好的遷移能力。

與SimCLR和SupCon相比，該方法在所有這些數據集上也有更高的遷移精度。

即使預訓練的數據集和目標數據集不在同一領域，也能獲得令人驚訝的好結果。例如，在Indoor67上預訓練的模型在轉移到Aircraft上時獲得了最高的準確性。

作者簡介

本文第一作者是南京大學在讀博士曹云浩，通訊作者是南京大學人工智能學院吳建鑫教授。

吳建鑫本科和碩士畢業于南京大學計算機專業，博士畢業于佐治亞理工。2013年，他加入南京大學科學與技術系，任教授、博士生導師，曾擔任ICCV 2015領域主席、CVPR 2017領域主席，現為Pattern Recognition期刊編委。

參考鏈接：

[1]https://arxiv.org/abs/2201.10728

[2]https://cs.nju.edu.cn/wujx/index.htm

— 完 —

原標題：《2040張圖片訓練出的ViT，準確率96.7%，連遷移性能都令人驚訝 | 南京大學》

閱讀原文