关注公众号,发现CV技术之美
介绍一篇今天新出的论文。
▊ 写在前面
在本文中,作者证明了masked autoencoders(MAE) 是一种可扩展的计算机视觉自监督学习方法。本文的MAE方法很简单:mask输入图像的随机patch,并重建丢失的像素 。它基于两个核心设计的。
首先,作者开发了一种非对称的编码器-解码器体系结构,其中的编码器只对可见的patch子集(没有mask的token)进行操作,同时还有一个轻量级的解码器,该解码器从潜在表示和mask token中重建原始图像。
其次,作者发现mask高比例的输入图像patch(例如75%)会变成一个不错且有意义的自监督任务。将这两种设计结合起来,能够高效地训练大型模型:本文的模型加快训练速度(3倍或更多)并提高精度。
本文的可扩展方法使得学习具有良好通用性的高容量模型:例如,在仅使用ImageNet-1K数据时,ViT-Huge模型的Top-1精确度为87.8%。 此外,下游任务中的迁移性能优于有监督的预训练。
▊ 1. 论文和代码地址
Masked Autoencoders Are Scalable Vision Learners
论文地址:https://arxiv.org/abs/2111.06377
代码地址:未开源
▊ 2. Motivation
深度学习见证了学习能力和容量不断增长的网络结构的爆炸式增长。在硬件快速发展的帮助下,如今的模型很容易拟合超过百万张图像,并开始使用需要数亿张通常无法公开获取的标签图像。
自然语言处理(NLP)通过自监督预训练成功地解决了这种对数据的偏好。基于GPT中的自回归语言建模和BERT中的masked autoencoding的解决方案在概念上很简单:它们删除一部分数据并学习预测删除的内容。这些方法使得现在可以训练包含超过1000亿个参数的NLP模型。
masked autoencoding是一种更为通用的去噪自动编码器(denoising autoencoders),它的思想很自然,也适用于计算机视觉。然而,尽管随着BERT的成功,人们对这一想法产生了极大的兴趣,但视觉中自动编码方法的进展却落后于NLP。作者就提出了一个问题:是什么让masked autoencoding在视觉和语言之间有所不同?
作者试图从以下角度回答这个问题:
1)网络结构是不同的 。在视觉上,卷积网络在过去十年中占主导地位。卷积通常在规则网格上运行,并且将诸如mask tokens或位置嵌入等“指示符”集成到卷积网络中并不容易。然而,随着视觉Transformer(ViT)的引入,这一结构差距已经得到解决,不应再构成障碍。
2)语言和视觉的信息密度不同 。语言是人类产生的信号,具有高度的语义和信息密度。当训练一个模型来预测每个