自监督表征学习方法——DINO方法

参考文献：《Emerging Properties in Self-Supervised Vision Transformers》

DINO全称——a form of knowledge distillation with **no **labels.（一种没有标签的知识蒸馏的形式）

如上图所示：来自没有监督训练的8×8补丁的视觉变压器的自我注意。我们观察最后一层头部的[CLS]令牌的自我关注。此令牌不附属于任何标签或监管机构。这些地图显示，该模型自动学习类特定的特征，从而实现无监督的对象分割。

1.摘要

    在本文中，我们质疑自监督学习是否为*Vision Transformer *(ViT)提供了新的特性，与卷积网络相比脱颖而出。除了将自我监督方法适应这种架构特别有效之外，我们还做了以下观察：首先，自我监督ViT特征包含关于图像语义分割的显式信息，这在监督ViT和卷积网络中都不明显。其次，这些特征也是优秀的k-NN分类器，在ImageNet上达到了78.3%的前1名。我们的研究还强调了动量编码器、多作物训练和使用带有vit的小贴片的重要性。我们将我们的发现实现到一个简单的自我监督的方法中，称为DINO，我们将其解释为一种没有标签的自蒸馏形式。

** 个人总结：**

①提出了新的自监督学习方法DINO；

②自监督学习相比于有监督学习，可以获取更加有用的信息。这里主要针对图像分割吧。

③Vision Transformer比卷积网络获得更多有用的语义信息。

2.DINO方法介绍

如上图所示，无标签的自蒸馏。

为了简单起见，我们在一对视图( $x_1$ ， $x_2$ )的情况下说明DINO。

①该模型将输入图像的两种不同的随机变换传递给学生和教师网络。这两种网络具有相同的架构，但参数不同。教师网络的输出以批量计算的平均值为中心。

②每个网络输出一个K维特征，该特征在特征维度上用一个温度softmax进行归一化。

③然后用交叉熵损失来测量它们的相似性。

④我们在教师上应用一个停止梯度(sg)算子，只通过学生传播梯度。教师参数用学生参数的指数移动平均数(ema)进行更新。

DINO算法伪代码

DINO详细介绍：

知识蒸馏是一种学习范式，我们训练学生网络 $g_{\theta _s}$ 匹配给定教师网络 $g_{\theta _t}$ 的输出，分别由 $\theta _s$ 和 $\theta _t$ 参数化。给定一个输入图像 $x$ ，两个网络在 $K$ 维上的概率分布，用 $P_s$ 和 $P_t$ 表示。概率P是通过用softmax函数将网络 $g$ 的输出归一化得到的。更准确地说，

其中， $\tau _s$ 是温度参数。

给定一个固定的教师网络 $g_{\theta _t}$ ，我们学习通过最小化交叉熵损失w.r.t.来匹配这些分布学生网络 $\theta _s$ 的参数：

其中 $H(a,b)=-a\log b$ 。

     在下面，我们将详细介绍我们如何在等式中适应这个问题(2)来进行自我监督学习。首先，我们用多棒策略构建一个图像的不同扭曲视图或作物。更准确地说，从给定的图像，我们生成一个集合V，这个集合包含两个全局视图，![x_{1}^{g}](https://latex.csdn.net/eq?x_%7B1%7D%5E%7Bg%7D)和![x_{2}^{g}](https://latex.csdn.net/eq?x_%7B2%7D%5E%7Bg%7D)，以及几个分辨率较小的局部视图。所有的作物都通过学生传递，而只有全球的观点通过老师传递，因此鼓励“本地到全球”的通信。我们最大限度地减少损失：

    这两个网络共享相同的架构![g](https://latex.csdn.net/eq?g)，具有不同的参数集![\theta _s](https://latex.csdn.net/eq?%5Ctheta%20_s)和![\theta _t](https://latex.csdn.net/eq?%5Ctheta%20_t)。我们通过最小化等式(3)来学习参数![\theta _s](https://latex.csdn.net/eq?%5Ctheta%20_s)具有随机梯度下降的方法。

    特别有趣的是，在学生权重上使用指数移动平均线（EMA），即动量编码器，特别适合我们的框架。更新规则是![\theta _t\leftarrow \lambda \theta _t+(1-\lambda )\theta _s](https://latex.csdn.net/eq?%5Ctheta%20_t%5Cleftarrow%20%5Clambda%20%5Ctheta%20_t&amp;plus;%281-%5Clambda%20%29%5Ctheta%20_s)，在训练期间，λ遵循从0.996到1的余弦时间表。

   防止崩溃。居中防止了一个维度的主导地位，但鼓励崩溃到均匀分布，而锐化则有相反的效果。应用这两种操作可以平衡它们的效果，这足以避免在动量老师面前的崩溃。选择这种方法以避免崩溃，可以交换稳定性来减少对批次的依赖：定心操作只依赖于一阶批统计，可以解释为向老师添加一个偏差项![c](https://latex.csdn.net/eq?c)：![g_t(x)\leftarrow g_t(x)+c](https://latex.csdn.net/eq?g_t%28x%29%5Cleftarrow%20g_t%28x%29&amp;plus;c)。中心![c](https://latex.csdn.net/eq?c)以指数移动平均线进行更新，这允许该方法在不同的批处理大小中很好地工作，如下所示：

其中，m > 0是一个速率参数，B是批处理大小。输出锐化是通过在教师软最大归一化中使用温度 $\tau _t$ 的低值来获得的。

3.实验结果

表1：在ImageNet上的线性和k-NN分类。我们报告了对于不同的自监督方法，在ImageNet验证集上的线性和k-NN评估的前1个精度。我们关注ResNet-50和vit-小型架构，但也报告了跨架构获得的最佳结果。∗是由我们经营的。我们对具有官方发布权重的模型进行了k-NN评估。吞吐量（im/s）是在NVIDIA V100 GPU上计算的，每个前进128个样本。参数(M)为特征提取器。

表2：图像检索。我们比较了在ImageNet和谷歌地标v2（GLDv2）数据集上使用监督或DINO预训练的现成特征的检索性能。我们报道了关于牛津和巴黎的地图。在地标数据集上使用DINO进行预训练表现得特别好。作为参考，我们还报告了具有现成的功能[57]的最佳检索方法。

表3：拷贝检测。我们报告了在复制日“强”子集[21]上的复制检测中的mAP性能。作为参考，我们还报告了多层模型[5]的性能，专门为特定的对象检索进行训练。

表4： DAVIS 2017视频对象分割。我们在视频实例跟踪中评估了冻结特征的质量。我们报告了平均区域相似度Jm和基于轮廓的精度Fm。我们比较了现有的自监督方法和在ImageNet上训练的监督ViT-S/8。图像分辨率为480p。

上图：从监督和DINO的分割。我们可视化了通过阈值化自注意图获得的面具，以保持60%的质量。在上面，我们展示了经过监督和DINO训练的ViT-S/8的结果口罩。我们展示了两种模型最好的头部。底部的表格比较了在PASCAL VOC12数据集的验证图像上的地面真相和这些掩模之间的Jaccard相似性。

表5：通过微调不同数据集上的预训练模型进行迁移学习。我们报告了前1的准确性。DINO的自我监督预训练比监督预训练更好。

4.结论

    在这项工作中，我们展示了自监督预训练一个标准ViT模型的潜力，实现的性能是与为此设置设计的最佳凸网相媲美的。我们还看到了两个可以在未来应用中利用的特性：k-NN分类中特征的质量具有图像检索的潜力，其中ViT已经显示出了有希望的结果。特征中场景布局信息的存在也有利于弱监督图像分割。然而，本文的主要结果是，我们有证据表明，自我监督学习可能是开发一个基于的bert样模型的关键ViT。在未来，我们计划探索在随机未管理的图像上使用DINO对大型ViT模型进行预训练是否能够突破视觉特征的极限。

个人疑问：

①会不会训练太久了

②配置好像好太高了，两台8GPU电脑

表8：时间和内存要求。我们显示了每个GPU的总运行时间和峰值内存（“mem.”）。当在两台8-GPU机器上运行ViT-S/16 DINO型号时。我们报告了前1ImageNetvalacc对多作物的线性评估，每个都有不同的计算需求。

标签：学习方法人工智能深度学习

本文转载自: https://blog.csdn.net/pk296256948/article/details/129518271
版权归原作者 没用的阿鸡 所有，如有侵权，请联系我们删除。

自监督表征学习方法——DINO方法

自监督表征学习方法——DINO方法

发表评论

“自监督表征学习方法——DINO方法”的评论:

关于作者

overfit同步小助手

相关阅读

文章导航