paper总结(2)Momentum Contrast for Unsupervised Visual Representation Learning

     

        Moco希望构建的字典是:(i)大的和(ii)在训练过程中不断演变的一致的。主要通们将字典维护为一个数据样本队列:当前小批处过理的编码表示被加入队列，最老的表示被退出队列。

        首先我们假设 Batch size 的大小是 N ，然后现在有个队列 Queue，这个队列的大小是 K(K>N) ，注意这里 K 一般是 N 的数倍，比如 K=3N,K=5N,... ，但是 K 总是比 N 要大的 (代码里面 K=65536 ，即队列大小实际是65536)。

下面如上图所示，有俩网络，一个是 Encoder fq​ ，另一个是Momentum Encoder fMk​ 。这两个模型的网络结构是一样的，初始参数也是一样的 (但是训练开始后两者参数将不再一样了)。 fq​ 与 fMk​ 是将输入信息映射到特征空间的网络，特征空间由一个长度为 C 的向量表示，它们在代码里面分别表示为：f_q , f_k 和 C。

代码里的 k 可以看作模板，q 看作查询元素，每一个输入未知图像的特征由 f_q 提取， 现在给一系列由 f_k 提取的模板特征 (比如狗的特征、猫的特征) ，就能使用 f_q 与 f_k 的度量值来确定 f_q 是属于什么。

        这里采用infoNCE的对比损失函数：

        fk权重具体更新公式： 

         在实验中，相对较大的动量(例如，m = 0.999，我们的默认值)比较小的值(例如，m = 0.9)工作得更好，这表明缓慢发展的键编码器是利用队列的核心。

        在实验中，我们发现使用BN会阻止模型学习好的表示，通过shuffling BN解决：我们使用多个GPU进行训练，并针对每个GPU独立地对样本执行BN(就像通常的做法一样)。对于关键编码器fk，在分配到gpu之间之前，我们将当前小批中的样本顺序进行洗牌(并在编码后重新洗牌);查询编码器fq的小批处理的样例顺序没有更改。这确保用于计算查询及其正键的批统计信息来自两个不同的子集。