无监督对比学习之师夷长技以制夷的MOCO v2《Improved Baselines with Momentum Contrastive Learning》

SimCLR凭借着几个trick和豪气冲天的GPU/TPU把MOCO干趴了

扭头MOCO就用SimCLR的trick干了回去,

SimCLR,你在TPU上练的死劲不管用了!

MOCO v1

详见https://blog.csdn.net/weixin_42764932/article/details/112768710

MOCO v2

在这里插入图片描述
table1

1. Projection Head

咱也在encoder之后增加了一个非线性映射
在这里插入图片描述
ImageNet linear classification accuracy:
在这里插入图片描述
MLP 对ImageNet 任务提升明显,从60.6%->66.2%
Table 1(a)shows its detection results: in contrast to the big leap on ImageNet, the detection gains are smaller.看来VOC detection提升不大

没关系,这才是热身,接着来

2. augmentation

看Table 1(b)
在这里插入图片描述
单独使用数据增强方法(引入新的blur augmentation),对linear classification 的准确率提高低于MLP, 但是在VOC detection的表现却更好,说明两任务之间的提升并不是单调一致的。
通过加入模糊增强来扩展原来的增强(我们发现,在更高的基线中,更强的颜色失真的增益正在减小)。

3. MLP、aug+二者结合

在这里插入图片描述
继续提升

4. a cosine (half-period) learning rate schedule

使用新的学习率方法在ImageNet 有小幅度提升,对detection任务有小幅下降。

增大训练的epoch可以提升两个任务的结果。

对比

在这里插入图片描述
使用200个epoch和256个批大小的预训练,
MoCo v2在ImageNet上达到了67.5%的精度:
这是比SimCLR在相同epoch、相同批大小下的结果高出5.6%,也优于SimCLR大批次的结果66.6%。
凭借800-epoch预训练,MoCo v2的成绩达到71.1%,超过了拥有1000个epoch的SimCLR的69.3%。

健身房练的死劲不好使了
在这里插入图片描述
节能环保

  • 2
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 1
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值