CLIP Surgery论文阅读

CLIP Surgery for Better Explainability with Enhancement in Open-Vocabulary Tasks

$$M=\mathrm{norm}\left(\mathrm{resize}\left(\mathrm{reshape}\left(\frac{{\mathbf{F}}_{\bar{i}}}{{\Vert {\mathbf{F}}_{\underline{i}}\Vert }_2}\cdot {\left(\frac{{\mathbf{F}}_t}{{\Vert {\mathbf{F}}_{\underline{t}}\Vert }_2}\right)}^{\top }\right)\right)\right)$$
重点是CLIP的图可视化，上面是CLIP Surgery可视化Similarity map的公式

贡献：

1.发现CLIP可视化结果（相似度图）和人的感知是反的，集中在背景（flatten transformer做q可视化，集中在前景
），认为是QK self-attention导致，最相似的token并不是本身或者相同语义区域，而是一些背景的噪声。而用vv attention就不会出现错误的关联。出现这种情况的原因主要是训练的pooling不合适,提出了CLIP Architecture Surgery，如模型图所示

x ^ i + 1 = {  None  i < d f attn  ( x i , { ϕ v } ) + x i i = d , f attn  n v ( x i , { ϕ v } ) + x ^ i i > d , ∀ T & A x i + 1 = { f F F N ( x i ′ ) + x i ′ ,  s.t.  x i ′ = f a t t n q k ( x i , { ϕ q , ϕ k , ϕ v } ) + x i , ∀ T & A f res  ( x i ) + x i , ∀ R e s \begin{array}{l} \hat{x}_{i+1}=\left\{\begin{array}{ll} \text { None } & i<d \\ f_{\text {attn }}\left(x_{i},\left\{\phi_{v}\right\}\right)+x_{i} & i=d, \\ f_{\text {attn } n_{v}}\left(x_{i},\left\{\phi_{v}\right\}\right)+\hat{x}_{i} & i>d \end{array}, \forall T \& A\right. \\ x_{i+1}=\left\{\begin{array}{ll} f_{F F N}\left(x_{i}^{\prime}\right)+x_{i}^{\prime}, \text { s.t. } & \\ x_{i}^{\prime}=f_{a t t n_{q k}}\left(x_{i},\left\{\phi_{q}, \phi_{k}, \phi_{v}\right\}\right)+x_{i} & , \forall T \& A \\ f_{\text {res }}\left(x_{i}\right)+x_{i} & , \forall R e s \end{array}\right. \\ \end{array} x^i+1​=⎩ ⎨ ⎧​ None fattn ​(xi​,{ϕv​})+xi​fattn nv​​(xi​,{ϕv​})+x^i​​i<di=d,i>d​,∀T&Axi+1​=⎩ ⎨ ⎧​fFFN​(xi′​)+xi′​, s.t. xi′​=fattnqk​​(xi​,{ϕq​,ϕk​,ϕv​})+xi​fres ​(xi​)+xi​​,∀T&A,∀Res​​

2.发现CLIP可视化有非常多的噪声响应

算取一个冗余特征，多类的情况显著的类会影响其他的类（带偏了）。所以我们用类之间的分数作为权重，对每个特征做类别的加权，来抑制显著类的影响。然后在类别维度（Nt，text token的数量）求均值作为冗余特征，并对每个特征减去冗余特征，然后求和得到余弦相似度。对于单个类来说，如交互式分割和多模态可视化，则用空文本特征作为冗余特征（知乎上看到这句话才明白，看的一脸懵逼）。category dimension 是(Nt)

具体如下：

• 先算出multiplied features[Ni，Nt，C]：$F_m=\frac{{\hat{F}}_i}{\Vert {\hat{F}}_i{\Vert }_2}\odot \frac{{\hat{F}}_t}{\Vert {\hat{F}}_t{\Vert }_2}$

沿C方向做逐元素乘法

• 再算similarity score[1，Nt]：$s=softmax(\frac{F_c}{\Vert F_c{\Vert }_2}\cdot (\frac{F_t}{\Vert F_t{\Vert }_2}{)}^{\top }\cdot \tau )$

[CLS]乘token[Nt，C]算相似度

• 再算category weight[1，Nt]：$w=\frac{s}{mean(s)}$
• 再算冗余特征common and redundant features[Ni，1，C]：$F_r=mean(F_m\odot expand(w))$

沿C方向做，空文本相似度最大的？

• 最后算common and redundant features[Ni，Nt]：$S=sum(F_m-expand(F_r))$（去掉冗余特征）

模型

不参与训练，只在推理

实验

错误的self-attention也能解释为什么有人删掉CLIP中ResNet的最后一个self-attention可以做可视化。但是ViT每层都是self-attention，所以现有的方法在ViT上表现很差(全是self-attention删最后一层没用)

开放多标签分类
除此之外我们的算法做open-vocabulary的多标签分类也有效果，可以作为一种后处理任意插到算法里面来提高mAP。原理是抑制冗余特征后会让误报少一些。注意，单类没有效果，因为冗余特征是一个common bias，不改变单张图别之间的位次，而是影响跨图之间的排位来减少误报

多模态可解释性
做了多模态的可解释性，解释CLIP训练过程中文本和图片是怎么匹配的，也发现了一些有趣的现象。比如CLIP训练数据一般关注部分物体，如第一张图片只关注了自行车。而且CLIP对文本也有一定的感知，如最后一张。对于文本的解释，一些不重要的词如 ‘in’ ‘the’ ‘.’ 也经常也有高响应，而且结束符[end]是最高频的。这说明clip会把全局特征编码到固定的token中。

ref

https://www.zhihu.com/question/595372017