9亿训练集、通用CV任务，微软打造Florence模型打破分类、检索等多项SOTA

2021 年 11 月 24 日 机器之心

机器之心报道

机器之心编辑部

来自微软的研究者另辟蹊径，提出了一种新的计算机视觉基础模型 Florence。在广泛的视觉和视觉 - 语言基准测试中，Florence 显著优于之前的大规模预训练方法，实现了新的 SOTA 结果。

面对多样化和开放的现实世界，要实现 AI 的自动视觉理解，就要求计算机视觉模型能够很好地泛化，最小化对特定任务所需的定制，最终实现类似于人类视觉的人工智能。计算机视觉基础模型在多样化的大规模数据集上进行训练，可以适应各种下游任务，对于现实世界的计算机视觉应用至关重要。

现有的视觉基础模型，如 CLIP (Radford et al., 2021)、ALIGN (Jia et al., 2021) 和悟道 2.0 等，主要侧重于将图像和文本表征映射为跨模态共享表征。近日来自微软的研究另辟蹊径提出了一种新的计算机视觉基础模型 Florence，将表征从粗粒度（场景）扩展到细粒度（对象），从静态（图像）扩展到动态（视频），从 RGB 扩展到多模态。

通过结合来自 Web 规模图像 - 文本数据的通用视觉语言表征， Florence 模型可以轻松地适应各种计算机视觉任务，包括分类、检索、目标检测、视觉问答（VQA）、图像描述、视频检索和动作识别。此外，Florence 在许多迁移学习中也表现出卓越的性能，例如全采样（fully sampled）微调、线性探测（linear probing）、小样本迁移和零样本迁移，这些对于视觉基础模型用于通用视觉任务至关重要。Florence 在 44 个表征基准测试中多数都取得了新的 SOTA 结果，例如 ImageNet-1K 零样本分类任务，top-1 准确率为 83.74，top-5 准确率为 97.18；COCO 微调任务获得 62.4 mAP，VQA 任务获得 80.36 mAP。

论文地址： https://arxiv.org/pdf/2111.11432v1.pdf

Florence 模型在有噪声的 Web 规模数据上以同一个目标进行端到端训练，使模型能够在广泛的基准测试中实现同类最佳性能。在广泛的视觉和视觉 - 语言基准测试中，Florence 显著优于之前的大规模预训练方法，实现了新的 SOTA 结果。

方法

构建 Florence 生态系统包括数据管护、模型预训练、任务适配和训练基础设施，如图 2 所示。

数据管护

由于大规模数据多样化对基础模型非常重要，因此该研究提出了一个包含 9 亿个图像 - 文本对的新数据集用于训练。由于网络爬取数据通常是具有噪音的自由格式文本（例如，单词、短语或句子），为了获得更有效的学习，该研究使用了 UniCL，这是 Yang 等人最近提出的「统一图像文本对比学习对象」，这种方法已经被证明其比对比和监督学习方法更优越。

模型预训练

为了从图像 - 文本对中学习良好的表示，该研究使用了包括图像编码器和语言编码器的两塔式（two-tower）架构。对于图像编码器，该研究选择了分层 Vision Transformer 。该研究所提架构在继承了 Transformer self-attention 操作性能优势的同时，这些分层架构对图像的尺度不变性进行了建模，并且具有相对于图像大小的线性计算复杂度，这是进行密集预测任务必不可少的属性。

任务适配

该研究使用 dynamic head adapter（Dai et al., 2021a）、提出的 video CoSwin adapter 从静态图到视频的时间、METER adapter 从图像到语言的模态变化，通过以上该研究将学习到的特征表示沿空间（从场景到对象）进行扩展。Florence 旨在通过小样本和零样本迁移学习来有效适配开放世界，并通过很少的 epoch 训练（例如在检索中）进行有效部署。用户可以根据自己的需求进行定制。

Dynamic Head (Dai et al., 2021a) adapter 用于对象级视觉表示学习。

图 4. METER (Dou et al., 2021) 用作 Florence V+L 适配模型，使用图像文本匹配 (ITM) 损失和掩码语言建模 (MLM) 损失进行训练。

训练基础设施

从能源和成本方面考虑，以尽可能低的成本构建基础模型是至关重要的。该研究开发了可扩展的训练基础设施，以提高训练效率。Florence 训练基础设施由 ZeRO 、激活检查点、混合精度训练、梯度缓存等多项关键技术组成，从而大大减少了内存消耗，提高了训练吞吐量。

实验结果

该研究进行了多项实验，表明了 Florence 显著优于之前的大规模预训练方法。

分类中的零样本迁移

该研究在 ImageNet-1K 数据集和 11 个下游数据集上评估了 Florence 模型。表 1 显示了这 12 个数据集的结果，比较的模型包括 CLIP ResNet 、CLIP Vision Transformer 模型以及 FILIP-ViT，结果显示 Florence 在其中 9 个数据集上表现出色。该研究在 ImageNet-1K 上的零样本迁移方面取得了显着的提高，即 top-1 准确率为 83.74%（比 SOTA 结果高 5.6%），top-5 准确率为 97.18%。

线性评估

线性评估考虑了 11 个分类基准，这些基准同样也适用于零样本分类迁移。该研究将 Florence 与具有 SOTA 性能的模型进行了比较，包括 SimCLRv2、ViT、Noisy Student 和 CLIP 。

结果表明，Florence 优于现有的 SOTA 结果，不过在 CIFAR10、CIFAR100 这两个数据集上性能不如 EfficientNet-L2 。

ImageNet-1K 微调评估

该研究在 ImageNet ILSVRC-2012 基准（Deng et al., 2009）上评估了持续微调的性能，Florence 与几种模型的比较结果如下表 3 所示。Florence 模型的 Top-1 和 Top-5 准确率均优于 BiT（Kolesnikov et al., 2020）和 ALIGN（Jia 等人，2021 年）。Florence 的结果比 SOTA 模型（Dai et al., 2021c）稍差，但其模型和数据规模都比 Florence 大了 3 倍。

小样本跨域分类

下表 4 显示了 Florence 模型适应 CDFSL 基准的结果。与采用集成学习（ensembes learning）和直推学习（transductive learning）的挑战基准获胜者（Liu et al., 2020，下表中用 CW 指代）相比，Florence 采用单一模型，没有对测试数据进行转换，但获得了更优的结果。

图像 - 文本检索

表 5 展示了 Florence 在 Flickr30k 和 MSCOCO 数据集上在文本和图像检索任务上的零样本迁移和微调性能。结果表明，在这两个数据集上，Florence 优于之前所有的微调结果。此外，该方法对检索微调更有效。

目标检测和零样本迁移

目标检测是计算机视觉中最突出的应用之一。与现有的大规模预训练模型（如 CLIP、ALIGN 和 Wu Dao 2.0）相比，Florence 更适用于目标检测任务，因为它的适应性有助于学习对象级视觉表征。研究者通过微调目标检测和零样本迁移任务对来 Florence 的对象级视觉表征性能进行评估。

具体地，研究者在 3 个流行的目标检测数据集上评估了微调性能，它们分别是 COCO（Lin et al., 2015）、Object365（Shao et al., 2019）和 Visual Genome（Krishna et al., 2016）。下表 6 展示了与 SOTA 结果的比较，可以看到，Florence 在这些目标检测基准上取得了新的 SOTA 结果。

为了评估 Florence 对新的、多样性和面向应用的任务的迁移性，研究者遵循 (Li et al., 2021b) 设计了一个「开放式目标检测基准」，该基准聚合了来自 Roboflow2 的 11 个公共数据集，涵盖了细粒度鱼类 / 象棋检测、无人机视野检测和 thermal 目标检测等多样性场景。下表 7 表明，Florence 模型能够有效地实现到这些任务的零样本迁移。

视觉语言（V+L）表示学习

研究者在具有挑战性的 VQA (Goyal et al., 2017) 任务上对预训练模型进行了微调，该任务是根据图像上下文来回答问题。下表 8 展示了与当前方法的比较，结果表明 Florence 实现的了新的 SOTA 性能。与使用了 1.8B 图像到文本对的 SimVLM 模型（Wang et al., 2021）相比，Florence 仅使用 900M 数据即可以预训练图像编码器，20M 数据即可以预训练视觉语言预训练（VLP），但取得的结果更好。这也证明了 Florence 的数据效率。

零样本文本到视频检索

研究者在 MSR-VTT (Xu et al., 2016) 数据集上执行了零样本文本到视频评估，他们报告了在 1K-A test（Yu et al., 2018，包含 1k 个视频和字幕对）上的结果，并在下表 9 中与当前 SOTA 方法进行了比较。结果表明，CLIP6（Radford et al., 2021）和 Florence 这两个图像到文本预训练模型在 R@1 指标上远远优于其他所有 SOTA 方法。