本文研究了如何使用有限数据训练 ViT，由于可以捕获特征对齐和实例相似性，新方法展现了优势。
Transformer 架构的强大性能不仅在 NLP 领域成为了主流，也在代替卷积神经网络 CNN，成为视觉识别的一个方向（ViT）。一些 transformer 模型已经取得了有竞争力的结果，但因为缺乏典型的卷积归纳偏差使得它们比普通 CNN 需要更多的训练数据。在南京大学吴建鑫团队近日提交的一篇论文中，研究者研究了如何使用有限数据训练 ViT，由于可以捕获特征对齐和实例相似性，新方法展现了优势。在各种 ViT 主干下的 7 个小型数据集上从头开始训练之后，该研究获得了最先进的结果。研究者还讨论了小数据集的迁移能力，发现从小数据集学习的表示甚至可以改善大规模 ImageNet 的训练。论文链接：https://arxiv.org/abs/2201.10728Transformer 近来已广泛用于视觉识别，替代了卷积神经网络（CNN）。视觉 Transformer（ViT）是一种直接继承自自然语言处理的架构，但适用于以原始图像 patch 作为输入的图像分类。ViT 及其变体获得了可与 CNN 媲美的结果，但却需要更多的训练数据。例如，在 ImageNet（128 万张图像）上训练时，ViT 的性能比具有相似容量的 ResNet 差。一个可能的原因可能是 ViT 缺乏 CNN 架构中固有的某些理想属性，这使得 CNN 非常适合解决视觉任务，例如局部性、平移不变性和层次结构。因此，ViT 通常需要比 CNN 更大量的数据进行训练。为了缓解这个问题，很多工作都尝试将卷积引入 ViT。这些架构具有两种范式的优点，注意力层对远程依赖进行建模，而卷积则强调图像的局部属性。实验结果表明，这些在 ImageNet 上训练的 ViT 在该数据集上优于类似大小的 ResNet。然而，ImageNet 仍是一个大规模数据集，当在小数据集（例如 2040 张图像）上训练时，这些网络的行为仍不清楚。该研究从数据、计算和灵活性的角度进行了分析，证明不能总是依赖如此大规模的数据集。该论文探究了如何使用有限的数据从头开始训练 ViT。该研究首先执行自监督预训练，然后对同一目标数据集进行监督微调，与（Cao et al.,2021）等人的方法类似。该研究重点关注自监督的预训练阶段，方法基于参数实例判别（parametric instance discrimination）。从理论的角度分析，参数实例判别不仅可以捕获 positive pair 之间的特征对齐，还可以找出实例之间的潜在相似性，这要归功于最终可学习的全连接层 W。实验结果进一步验证了研究者的分析，该研究的方法比非参数方法实现了更好的性能。众所周知，在大规模数据集上，高维全连接层的实例判别会受到大量 GPU 计算、内存过载和收敛速度慢的影响。由于该研究专注于小型数据集，因此不需要针对大型数据集的复杂策略。相反，该研究对小数据设置采用小分辨率、多裁剪和 CutMix 的方法，并且研究者还从理论和实验的角度对其进行了分析。该研究将这种方法命名为带有 Multi-crop 和 CutMix 的实例判别（Instance Discrimination with Multi-crop and CutMix，IDMM）。实验结果表明，在 7 个小型数据集上从头开始训练多种 ViT 主干网络，实现了 SOTA 结果。例如，该研究在 flowers 数据集（含 2040 张图像）上从头开始训练模型，结果达到 96.7% 的准确率，这表明使用小数据集训练 ViT 是完全可以的。此外，该研究首先分析了小数据集的迁移能力，并发现：即使在小型数据集上进行预训练，ViT 也具有良好的迁移能力，甚至可以促进对大规模数据集（例如 ImageNet）的训练。（Liu et al.,2021）也研究了使用小型数据集训练 ViT，但他们专注于微调阶段，而南大的这项研究专注于预训练阶段，并且南大的方法取得了更好的结果，其中在 flowers 数据集上获得的最佳准确率为 56.3%。- 提出了用于自监督 ViT 训练的 IDMM，即使在 7 个小型数据集上对各种 ViT 主干网络从头开始训练也能获得 SOTA 结果；
- 对于在处理小数据时为什么应该更注重参数实例判别，该研究给出了损失角度的理论分析。此外，展示了 CutMix 等策略应如何从梯度的角度缓解不频繁更新的问题；
- 该研究通过实验表明，投影 MLP 头对于非参数方法（例如，SimCLR）是必不可少的，但对于参数实例判别而言却不是，这要归功于实例判别中最终可学习的全连接层；
- 分析了小数据集的迁移能力，发现即使在小数据集上进行预训练，ViT 也具有良好的迁移能力。
具体方法如上图所示，输入图像 x_i (i = 1, · · · , N) 被传至神经网络 f(·) 中，得到输出表征 z_i = f(x_i) ∈ R^d ，其中 N 表示实例总数。然后使用全连接层 W 进行分类，类数等于用于参数实例判别的训练图像总数 。随后将 w_j ∈ R^d 表示第 j 类的权重，W = [w_1| . . . |w_N ] ∈ R^(d×N) 包含所有 n 个类的权重。因此有
，其中第 j 类的输出是
。最后，将 O^(i) 被传到 softmax 层以获得有效的概率分布 P^(i)。其中上标 i 代表对实例求和，下标 c 代表对类求和。研究者在实验中使用了 7 个小型数据集，具体如下表 1 所示。为什么要直接在目标数据集上从头开始训练呢？研究者从以下三个方面进行了解答- 首先是数据。当前的 ViT 模型往往是在大规模数据集（如 ImageNet 或更大）上预训练，然后在各种下游任务中微调。典型卷积归纳偏差的缺失也使得这些模型比常见 CNN 更需要数据。因此，探究是否可以针对某个可用图像有限的任务从头开始训练 ViT 模型非常重要；
- 其次是计算。大规模数据集、大量 epoch 和复杂的骨干网络，这些组合在一起意味着 ViT 训练的计算成本非常高。这种现象导致 ViT 模型成为少数机构研究人员才能使用的「特权」；
- 最后是灵活性。下游微调范式之前的预训练有时会变得非常麻烦。例如，我们可能需要为同一个任务训练 10 个不同的模型，并将它们部署到不同的硬件平台，但在大规模数据集上预训练 10 个模型是不切实际的。
在下表 2 和下图 4 中，研究者首先将 IDMM 与用于 CNN 和 ViT 的流行 SSL 方法进行了比较。公平起见，所有方法都预训练了 800 个 epoch，然后微调了 200 个 epoch。可以看出，即使从头开始训练，SSL 预训练也很有用，并且所有 SSL 方法的性能都比随机初始化好。图 4：在花数据集上与不同 SSL 方法进行比较。所有模型都经过了同样 epoch 数的预训练和微调。接着，研究者微调模型更长的 epoch，以获得更好的结果。具体来讲，他们使用 IDMM 初始化权重，先在 224x224 分辨率下微调了 800 个 epoch，然后在 448x448 分辨率下微调了 100 个 epoch。如下表 3 所示，当在这 7 个数据集上从头训练所有这些 ViT 模型时，IDMM 实现了 SOTA 结果。在下表 5 中，研究者评估了在不同数据集上预训练模型的迁移准确率。可以看到，即使在小型数据集上进行预训练，ViT 也具有良好的迁移能力。与 SimCLR 和 SupCon 相比，IDMM 在所有这些数据集上的迁移准确率也更高。即使预训练数据集和目标数据集不在同一个域中，研究者也可以获得非常好的结果。在下表 6 中，研究者将 IDMM 与各种 SSL 方法以及不同主干下的监督基线方法进行了比较。结果显示，IDMM 比这些竞品方法有很大的优势，在 SIN-10k 上学到的表征可以在迁移到其他数据集时作为一个很好的初始化。此外，研究者还探究了当在 ImageNet 上训练时，是否可以从 10,000 张图像的预训练中受益。从下表 7 可以看到，使用从 10,000 张图像中学到的表征作为初始化，可以大大加快训练过程，最终在 ImageNet 上实现了更高的准确率（提升约 1%）。最后，研究者对不同的组件进行了消融实验。所有实验使用 PyTorch 完成，并且在 ImageNet 实验中使用了 Titan Xp GPU，在小型数据集实验中使用了 Tesla K80.如下表 8 所示，研究者提出的所有策略都很有用，策略的结合使用更是实现了 SOTA 结果。在下表 9 中，所有方法在 SIN-10k 上预训练了 800 个 epoch，然后在迁移到目标数据集时微调了 200 个 epoch。 该工作中，研究者对于 IDMM 的局限性进行了探讨，在像 DeiT 这样的架构上从头开始训练这些小型数据集时，模型仍有改进的空间。还有哪些属性对于小型数据集预训练起到关键作用？这还有待未来的进一步研究。
