編輯丨極市平臺(tái)
層級(jí)結(jié)構(gòu)無(wú)處不在，自然界中存在「界 - 門 - 綱 - 類 - 科 - 屬 - 種」這樣的層級(jí)關(guān)系, 大規(guī)模自然圖像數(shù)據(jù)集中也天然存在。例如，ImageNet 數(shù)據(jù)集的類別標(biāo)簽本身就是基于 WordNet 層級(jí)形成的, 我們總是可以「刨根問底」地找到某個(gè)類別的「父類」。舉例而言，拉布拉多犬是一種犬類，而犬類又是一種哺乳動(dòng)物。這就形成了拉布拉多犬 -> 犬類 -> 哺乳動(dòng)物的層級(jí)關(guān)系。

近年來(lái), 計(jì)算機(jī)視覺領(lǐng)域涌現(xiàn)出一大批有效的自監(jiān)督預(yù)訓(xùn)練模型，如 NPID、SimCLR、MoCo 等，它們能夠從大規(guī)模數(shù)據(jù)集中通過自監(jiān)督的方式學(xué)習(xí)潛在的圖像語(yǔ)義表征，從而提升預(yù)訓(xùn)練模型在各項(xiàng)下游任務(wù)（如物體分類、目標(biāo)檢測(cè)、語(yǔ)義分割）的遷移性能。
這些自監(jiān)督預(yù)訓(xùn)練框架通?；趯?duì)比學(xué)習(xí)實(shí)現(xiàn). 對(duì)比學(xué)習(xí)通過定義正負(fù)樣本對(duì)，并在表征空間中最大化正樣本對(duì)之間的相似度而最小化負(fù)樣本對(duì)之間的相似度, 從而達(dá)到「同類相吸、異類互斥」的目的。在不可獲得分類標(biāo)簽的情況下，NPID、MoCo、SimCLR 通過實(shí)例判別 (Instance Discrimination) 任務(wù)，將同一圖像經(jīng)過不同隨機(jī)數(shù)據(jù)增強(qiáng)后作為正樣本對(duì)，而將不同圖像作為負(fù)樣本對(duì)，從而學(xué)習(xí)對(duì)數(shù)據(jù)增強(qiáng)具有不變性的圖像表征。
然而, 現(xiàn)有的自監(jiān)督對(duì)比學(xué)習(xí)框架存在兩個(gè)問題：

• 缺乏對(duì)上述層級(jí)語(yǔ)義結(jié)構(gòu)的建模；

• 負(fù)樣本對(duì)的定義可能存在噪聲：隨機(jī)選擇的兩張圖像可能屬于相同類別。

針對(duì)這兩個(gè)問題，來(lái)自上海交通大學(xué)、Mila 魁北克人工智能研究所和字節(jié)跳動(dòng)的研究者提出了一種基于層級(jí)語(yǔ)義結(jié)構(gòu)的選擇性對(duì)比學(xué)習(xí)框架（Hiearchical Contrastive Selective Coding，HCSC）。

• 論文地址: https://arxiv.org/abs/2202.00455

• 項(xiàng)目地址: https://github.com/gyfastas/HCSC

這一框架通過將圖像表征進(jìn)行層級(jí)聚類，構(gòu)造具有層級(jí)結(jié)構(gòu)的原型向量 (hierarhcical prototypes)，并通過這些原型向量選擇更加符合語(yǔ)義結(jié)構(gòu)的負(fù)樣本進(jìn)行對(duì)比學(xué)習(xí), 由此將層級(jí)化的語(yǔ)義信息融入到圖像表征中。該自監(jiān)督學(xué)習(xí)框架在多個(gè)下游任務(wù)中達(dá)到卷積神經(jīng)網(wǎng)絡(luò)自監(jiān)督預(yù)訓(xùn)練方法的 SOTA 性能。
方法

該工作的方法論框架包含兩個(gè)重要的模塊: 一個(gè)是層級(jí)語(yǔ)義結(jié)構(gòu)的構(gòu)建與維護(hù), 另一個(gè)是基于層級(jí)語(yǔ)義結(jié)構(gòu)的選擇性對(duì)比學(xué)習(xí)。
層級(jí)語(yǔ)義表征
研究者注意到，層級(jí)語(yǔ)義結(jié)構(gòu)天然可以通過樹狀結(jié)構(gòu)來(lái)描述：如果將樹中的某個(gè)節(jié)點(diǎn)認(rèn)為是一個(gè)語(yǔ)義類別, 則父節(jié)點(diǎn)可以認(rèn)為是它的上層類別，例如「拉布拉多犬」的父節(jié)點(diǎn)可以認(rèn)為是「犬類」，而其兄弟節(jié)點(diǎn)可以包括「貴賓犬」、「薩摩犬」等。這樣的樹狀結(jié)構(gòu)顯然具備一個(gè)性質(zhì)：同一父節(jié)點(diǎn)的兩個(gè)子節(jié)點(diǎn)必然也共享更上層的祖先節(jié)點(diǎn)，例如「貴賓犬」與「薩摩犬」同為犬類, 它們也同為哺乳動(dòng)物。
那么，如何在圖像的表征空間中構(gòu)建這樣的樹狀結(jié)構(gòu)呢？在缺少類別標(biāo)簽的無(wú)監(jiān)督場(chǎng)景中，可以通過對(duì)圖像特征聚類的方式獲得圖像的潛在語(yǔ)義類別。聚類中心則可以被認(rèn)為是代表著某種語(yǔ)義類別的「原型向量」，基于自底向上的層級(jí)聚類思想, 在這些聚類中心的基礎(chǔ)上進(jìn)一步進(jìn)行聚類則可以得到更高層級(jí)的潛在語(yǔ)義類別。在這一過程中, 語(yǔ)義類別的樹狀結(jié)構(gòu)自然地得以維護(hù)：在某層聚類中為相同類別的圖像，在上層中仍然保持為相同類別。
在實(shí)現(xiàn)過程中, 該研究采用了簡(jiǎn)單有效的自底向上層級(jí) K-means 算法, 具體算法流程如下：

在該訓(xùn)練框架中，每進(jìn)行一輪學(xué)習(xí)后，由于網(wǎng)絡(luò)參數(shù)的更新，圖像的表征也隨之更新。
因此，在每個(gè)訓(xùn)練epoch之前, 均通過當(dāng)前的網(wǎng)絡(luò)參數(shù)提取整個(gè)數(shù)據(jù)集的圖像表征，對(duì)提取到的圖像表征應(yīng)用如上所述的層級(jí) K-means 算法得到一系列具有樹狀結(jié)構(gòu)的層級(jí)原型, 這些層級(jí)原型將在接下來(lái)的訓(xùn)練過程中用于指導(dǎo)對(duì)比學(xué)習(xí)的樣本選擇，從而將層級(jí)化的語(yǔ)義信息融入到圖像表征中。
選擇性對(duì)比學(xué)習(xí)
在得到了一系列具備層級(jí)結(jié)構(gòu)、潛在地表征某一類別的原型向量后, 可以基于這些原型向量選擇更加符合語(yǔ)義結(jié)構(gòu)的對(duì)比學(xué)習(xí)樣本. 

• 選擇性實(shí)例對(duì)比學(xué)習(xí)

首先，我們簡(jiǎn)要回顧一下自監(jiān)督對(duì)比學(xué)習(xí)的基本原理。對(duì)比學(xué)習(xí)的目的可以概括為實(shí)現(xiàn)「同類相吸」、「異類互斥」。在不考慮原型向量的情況下, 基于實(shí)例的對(duì)比學(xué)習(xí)通過定義正負(fù)樣本對(duì), 并在表征空間中最大化正樣本對(duì)之間的相似度而最小化負(fù)樣本對(duì)之間的相似度來(lái)實(shí)現(xiàn)上述目的。
此前的方法 (如 NPID、MoCo 等) 將同一圖像經(jīng)過不同隨機(jī)數(shù)據(jù)增強(qiáng)后的版本作為正樣本對(duì)，而將不同圖像作為負(fù)樣本對(duì)。這樣的方式存在一個(gè)關(guān)鍵的問題：所選擇的負(fù)樣本對(duì)可能屬于相同類別，從而使得相同類別的樣本在表征空間中互相遠(yuǎn)離，這將在某種程度上破壞模型所學(xué)習(xí)到的表征有效性。
出現(xiàn)這一問題的根本原因在于沒有額外的類別信息指導(dǎo)對(duì)負(fù)樣本的選擇。如果我們知道類別信息，則可以將同類負(fù)樣本剔除 (這些同類負(fù)樣本也可以稱為假負(fù)樣本)，從而避免帶來(lái)梯度噪聲。在自監(jiān)督的情況下，雖然沒有準(zhǔn)確的類別信息，但我們通過此前的層級(jí)聚類過程得到了一系列聚類標(biāo)簽。在這些聚類標(biāo)簽的幫助下, 可以近似地達(dá)到剔除假負(fù)樣本的目的：如果一對(duì)樣本屬于相同的聚類中心, 則從負(fù)樣本對(duì)中剔除即可。
更進(jìn)一步地，考慮到聚類標(biāo)簽的不確定性，該研究通過接受 - 拒絕采樣的方式對(duì)負(fù)樣本進(jìn)行選擇。對(duì)于一個(gè)圖像表征z，層級(jí)聚類的結(jié)果可以導(dǎo)出該圖像在第l層所屬的聚類中心（其中s(·)是相似度函數(shù)，在該研究中通過 cosine 相似度實(shí)現(xiàn)）；這一聚類中心代表了該圖像在這一層中所屬的類別。接下來(lái)，對(duì)于候選負(fù)樣本，它被選擇的作為負(fù)樣本的概率為:

直觀而言, 一個(gè)候選負(fù)樣本被選擇的概率可以近似被描述為「與目標(biāo)樣本屬于不同聚類中心的概率」經(jīng)過選擇過程后, 更高質(zhì)量的負(fù)樣本集 將被用于計(jì)算 InfoNCE 損失. 在多個(gè)層級(jí)聚類中心指導(dǎo)下, 最終的選擇性實(shí)例對(duì)比學(xué)習(xí) (Instance-wise Contrastive Selective Coding, ICSC) 的損失函數(shù)為：

• 選擇性原型對(duì)比學(xué)習(xí)

除了用于指導(dǎo)實(shí)例間的對(duì)比學(xué)習(xí)，層級(jí)原型還可用于輔助原型對(duì)比學(xué)習(xí)。原型對(duì)比學(xué)習(xí)是圖像表征與聚類中心之間的交互，可以簡(jiǎn)單總結(jié)為在表征空間中最大化圖像表征與其所屬的聚類中心的相似度。
同樣地，如果通過隨機(jī)采樣的方式形成負(fù)原型集合 N_c，那么其中也可能存在與聚類中心 c 語(yǔ)義相近的原型 (例如 c 的兄弟節(jié)點(diǎn))：如果某張圖像是薩摩犬，選擇相似的種類例如拉布拉多犬作為負(fù)例進(jìn)行對(duì)比學(xué)習(xí)并不是一個(gè)好選項(xiàng)。而層級(jí)結(jié)構(gòu)的存在為選擇合理的對(duì)比原型提供了一個(gè)解決方案：與此前選擇對(duì)比樣本類似，我們只需要計(jì)算某一候選原型與目標(biāo)原型的父節(jié)點(diǎn)的相似度，即可選擇與目標(biāo)原型大概率不是近似類別的原型，從而避免可能帶來(lái)噪聲的對(duì)比原型。具體而言, 某個(gè)聚類中心c_j被選擇作為對(duì)比原型的概率為：

類似地, 這一概率可以被描述為「某一原型與目標(biāo)原型屬于不同父類的概率」?；诮?jīng)過選擇后的負(fù)原型集合，選擇性原型對(duì)比學(xué)習(xí)損失被定義為：

最后, 我們將兩種改進(jìn)后的對(duì)比學(xué)習(xí)損失進(jìn)行組合得到最終的優(yōu)化目標(biāo)：

實(shí)驗(yàn)結(jié)果

主要結(jié)果
研究者們?cè)?ImageNet-1k 線性分類、KNN、半監(jiān)督學(xué)習(xí)以及跨數(shù)據(jù)集的遷移學(xué)習(xí) (包括在 VOC、COCO 數(shù)據(jù)集的目標(biāo)檢測(cè)任務(wù)以及在 VOC、Places205 數(shù)據(jù)集的分類任務(wù)) 的實(shí)驗(yàn)設(shè)置下與基于 CNN 架構(gòu)的 SOTA 方法進(jìn)行了對(duì)比，HCSC 在多個(gè)任務(wù)中均取得了出色的效果。
不同訓(xùn)練配置下模型性能對(duì)比：

更多下游任務(wù)的性能對(duì)比：

可視化
除了量化實(shí)驗(yàn)，該論文還給出了直觀的可視化結(jié)果。研究者們展示了 HCSC 在 ImageNet 上的聚類結(jié)果，在下圖中可以明顯地看出存在層級(jí)結(jié)構(gòu)：叼著魚的灰熊 => 在水上的熊或者狗 => 在水上的動(dòng)物。

另外一個(gè)例子, 研究者們展示了一個(gè)經(jīng)典的語(yǔ)義樹狀結(jié)構(gòu)：

除了層級(jí)結(jié)構(gòu)可視化，研究者們也展示了 HCSC 訓(xùn)練過程中刪除的「假負(fù)樣本」：例如對(duì)其中一個(gè)鳥類樣本，刪除的對(duì)比負(fù)樣本也大部分為鳥類。

消融實(shí)驗(yàn)
研究者們還做了充分的消融實(shí)驗(yàn)來(lái)驗(yàn)證了所提出的層級(jí)原型和樣本選擇模塊的有效性， 以及對(duì)每層原型數(shù)量選擇的對(duì)比實(shí)驗(yàn)。可見：
1. 層級(jí)原型、實(shí)例樣本選擇、原型樣本選擇模塊的有效性都得到了驗(yàn)證，可以分別在 baseline (67.6)的基礎(chǔ)上有效漲點(diǎn) (67.6 => 68.9 => 69.2)，其中效果最明顯的是實(shí)例樣本選擇模塊。
2. 在原型數(shù)量相同的情況下，帶有層級(jí)結(jié)構(gòu)的原型 (3000-2000-1000) 比單層原型 (6000) 取得更優(yōu)的性能。這也印證了層級(jí)原型的有效性。另一方面，模型對(duì)進(jìn)一步增加層級(jí)數(shù)以及各層原型的數(shù)量不敏感。

一作介紹

• 郭遠(yuǎn)帆: 上海交通大學(xué)電子系二年級(jí)碩士生, 導(dǎo)師為徐奕副研究員. 他本科就讀于上海交通大學(xué), 本科期間主要研究方向?yàn)橛?jì)算機(jī)視覺、醫(yī)學(xué)影像處理, 在MICCAI、ISBI、Neurocomputing等會(huì)議與期刊中以第一作者/共同第一作者身份發(fā)表論文三篇. 碩士期間研究方向?yàn)橛?jì)算機(jī)視覺、自監(jiān)督學(xué)習(xí), 在字節(jié)跳動(dòng)實(shí)習(xí)期間完成該研究工作。

• 徐明皓，Mila 魁北克人工智能研究所一年級(jí)博士生，導(dǎo)師是唐建教授，主要研究方向是圖表征學(xué)習(xí)、圖像表征學(xué)習(xí)和****物發(fā)現(xiàn)。他本科和碩士就讀于上海交通大學(xué)，在上海交大計(jì)算機(jī)視覺實(shí)驗(yàn)室進(jìn)行科研工作，導(dǎo)師是倪冰冰教授，期間的主要研究方向?yàn)檫w移學(xué)習(xí)和視覺計(jì)算。他在 NeurIPS、ICML、CVPR、ICCV、ECCV 等會(huì)議上以第一作者 / 共同第一作者身份發(fā)表論文七篇。

  
  

本文僅做學(xué)術(shù)分享，如有侵權(quán)，請(qǐng)聯(lián)系刪文。