Contrastive Multiview Coding(多视角的对比学习编码)

原文题目为:Contrastive Multiview Coding
代码链接:https://github.com/HobbitLong/CMC

引言

本文主要提出了Multiview 的contrastive learning。motivation是现实世界中看待同一个物体具有多个视角,每一个视角都是有噪声和不完整的,但是一些对于该物体很重要的元素,例如physics(物理), geometry(几何), and semantics(语义)通常是在多个视角间共享的,举个例子:(一只狗可以被看到(seen),听到(heard),摸到(felt)),所以作者认为一个powerful representation建模了多个视角下都不变的元素。

基于这个假设,作者提出了多视角下进行contrastive learning来获得multi-view representation,通过contrastive learning,实际上等同于最大化互信息在多个view之间,即让多个view之间最大化共享的信息。
在这里插入图片描述
如上图所示,对于第 i i i个样本,4个 不同视角的representation在朝着嵌入空间中靠近优化,而对于另一个 j j j样本,嵌入空间朝着远离的方向优化。最终的结果是每个样本簇不同分离开来,每个样本簇包含4个不同视角的嵌入representation。上图展示的是NYU RGBD数据的4个view,最终的表示可以是4个视角的representation concatenation。

方法

two-view contrastive learning

给定数据集 V 1 V_{1} V1 V 2 V_{2} V2,包含样本集合 { v 1 i , v 2 j } i = 1 N \{v_{1}^{i},v_{2}^{j}\}_{i=1}^{N} {v1i,v2j}i=1N,我们考虑对比congruent(一致)和incongruent(不一致)样本对,即样本来自联合分布 x ∼ p ( v 1 , v 2 ) x\sim p(v_{1},v_{2}) xp(v1,v2),也就是 x = { v 1 i , v 2 i } x=\{v_{1}^{i},v_{2}^{i}\} x={v1i,v2i}认为是positives,相反的,样本来自边缘分布的乘积 y ∼ p ( v 1 ) p ( v 2 ) y\sim p(v_{1})p(v_{2}) yp(v1)p(v2),也就是 y = { v 1 i , v 2 j } y=\{v_{1}^{i},v_{2}^{j}\} y={v1i,v2j}认为是negatives。

我们定义一个判别函数(也称为critic) h θ ( ⋅ ) h_{\theta}(\cdot) hθ(),对positvie的样本对获得高值,对negative样本对获得低值。遵循先前的设置,选择一个正样本对 x x x,同时采样 k k k个负样本对 { y 1 , y 2 , . . . , y k } \{y_{1},y_{2},...,y_{k}\} {y1,y2,...,yk}进行对比学习:
L c o n t r a s t = − E S [ log ⁡ h θ ( x ) h θ ( x ) + ∑ i = 1 k h θ ( y i ) ] \mathcal{L}_{contrast}=-\mathbb{E}_{S}[\log{\frac{h_{\theta}(x)}{h_{\theta}(x)+\sum_{i=1}^{k}h_{\theta}(y_{i})}}] Lcontrast=ES[loghθ(x)+i=1khθ(yi)hθ(x)]
其中 S = { x , y 1 , y 2 , . . . , y k } S=\{x,y_{1},y_{2},...,y_{k}\} S={x,y1,y2,...,yk},具体的,我们固定一个视角的样本 v 1 i v_{1}^{i} v1i,从另一个视角选择出正样本 v 2 i v_{2}^{i} v2i和采样的 k k k个负样本 v 2 j , j v_{2}^{j},j v2j,j
L c o n t r a s t V 1 , V 2 = − E { v 1 1 , v 2 1 , v 2 2 , . . . , v 2 k + 1 , } [ log ⁡ h θ ( { v 1 1 , v 2 1 } ) ∑ j = 1 k + 1 h θ ( { v 1 1 , v 2 j } ) ] \mathcal{L}_{contrast}^{V_{1},V_{2}}=-\mathbb{E}_{\{v_{1}^{1},v_{2}^{1},v_{2}^{2},...,v_{2}^{k+1},\}}[\log{\frac{h_{\theta}(\{v_{1}^{1},v_{2}^{1}\})}{\sum_{j=1}^{k+1}h_{\theta}(\{v_{1}^{1},v_{2}^{j}\})}}] LcontrastV1,V2=E{v11,v21,v22,...,v2k+1,}[logj=1k+1hθ({v11,v2j})hθ({v11,v21})]
理论上,针对一个样本 v 1 1 v_{1}^{1} v11需要遍历 V 2 V_{2} V2全部的负样本来进行contrast,即 k k k为数据集大小减1.但是当数据集很大时,例如imagenet,直接优化上述的loss是不合理的,因为softmax分类的类别过多,计算量太大。因此作者采用随机采样 k k k个负样本并进行 k + 1 k+1 k+1-softmax分类的方法。

critic h θ ( ⋅ ) h_{\theta}(\cdot) hθ()

h θ ( ⋅ ) h_{\theta}(\cdot) hθ()是一个神经网络,采用编码器 f θ 1 ( ⋅ ) f_{\theta_{1}}(\cdot) fθ1() f θ 2 ( ⋅ ) f_{\theta_{2}}(\cdot) fθ2()来分别编码输入样本 v 1 v_{1} v1 v 2 v_{2} v2,得到的表示来计算余弦相似度:
h θ ( { v 1 , v 2 } ) = exp ⁡ ( f θ 1 ( v 1 ) ⋅ f θ 2 ( v 2 ) ∣ ∣ f θ 1 ( v 1 ) ∣ ∣ ⋅ ∣ ∣ f θ 2 ( v 2 ) ∣ ∣ ⋅ 1 τ ) h_{\theta}(\{v_{1},v_{2}\})=\exp{(\frac{f_{\theta_{1}}(v_{1})\cdot f_{\theta_{2}}(v_{2})}{||f_{\theta_{1}}(v_{1})||\cdot ||f_{\theta_{2}}(v_{2})||}\cdot \frac{1}{\tau})} hθ({v1,v2})=exp(fθ1(v1)fθ2(v2)fθ1(v1)fθ2(v2)τ1)
τ \tau τ是超参数来动态调节范围。
L c o n t r a s t V 1 , V 2 \mathcal{L}_{contrast}^{V_{1},V_{2}} LcontrastV1,V2是将 V 1 V_{1} V1视为anchor并枚举 V 2 V_{2} V2,对称地,将 V 2 V_{2} V2视为anchor并枚举 V 1 V_{1} V1,将两者相加作为two views loss:
L ( V 1 , V 2 ) = L c o n t r a s t V 1 , V 2 + L c o n t r a s t V 2 , V 1 \mathcal{L}(V_{1},V_{2})=\mathcal{L}_{contrast}^{V_{1},V_{2}}+\mathcal{L}_{contrast}^{V_{2},V_{1}} L(V1,V2)=LcontrastV1,V2+LcontrastV2,V1

与互信息(MI)的联系

通过证明,可以得到互信息的下界:
I ( z i ; z j ) ≥ log ⁡ ( k ) − L c o n t r a s t I(z_{i};z_{j})\geq \log{(k)}-\mathcal{L}_{contrast} I(zi;zj)log(k)Lcontrast
可以看出增加 k k k能够导致更好的表示。

contrastive learning 扩展到>2个view

在这里插入图片描述
针对4个views, V 1 , V 2 , V 3 , V 4 V_{1},V_{2},V_{3},V_{4} V1,V2,V3,V4,提供了(a)和(b)模式。
core view模式是针对某个view V 1 V_{1} V1,与其他view进行contrastive learning,此时一共有3个目标:
L C = ∑ j = 2 4 L ( V 1 , V j ) \mathcal{L}_{C}=\sum_{j=2}^{4}\mathcal{L}(V_{1},V_{j}) LC=j=24L(V1,Vj)
另一种是全图模式,full graph,即每一种view都与其他view进行contrastive learning,因此有6个目标:
L F = ∑ 1 < i < j < 4 L ( V i , V j ) \mathcal{L}_{F}=\sum_{1< i< j< 4}\mathcal{L}(V_{i},V_{j}) LF=1<i<j<4L(Vi,Vj)
全图模式更能抓住不同view之间的共同信息。

Memory bank

Memory bank是一个存储中间latent representation缓冲区,当我们retrieve k k k个负样本时,就从Memory bank获取而不用重新计算representation。Memory bank在训练过程中是动态更新的,每得到样本新的representation,即以滑动的形式更新:
r e p = ( 1 − m o m e n t u m ) ∗ o l d _ r e p + m o m e n t u m ∗ n e w _ r e p rep=(1-momentum)*old\_rep+momentum*new\_rep rep=(1momentum)old_rep+momentumnew_rep
momentum一般取0.5,Memory bank的好处是能够快速得到很多负样本的representation,缺点是representation可能略微陈旧。

©️2020 CSDN 皮肤主题: 编程工作室 设计师:CSDN官方博客 返回首页