自监督榜首！字节跳动提出视觉预训练模型dBOT，重新审视Masked Image Modeling

会员服务 ·

自监督榜首！字节跳动提出视觉预训练模型dBOT，重新审视Masked Image Modeling

2022 年 9 月 25 日 PaperWeekly

论文标题：

Exploring Target Representations for Masked Autoencoders

论文地址：

https://arxiv.org/abs/2209.03917

字节跳动和厦门大学提出基于掩码知识蒸馏的视觉自监督框架 dBOT，在 ImageNet 微调分类上仅使用 ImageNet-1K 作为预训练数据获得 89.0% 的预测精度，斩获自监督预训练榜首：

https://paperswithcode.com/sota/self-supervised-image-classification-on-1

MIM需要什么样的预测目标？

基于 Masked Image Modeling（MIM）的视觉预训练范式近来吸引了大量关注，具体来讲，MIM 首先随机 mask 输入图像的一部分，然后利用神经网络来预测被 mask 的部分。如何对被 mask 的部分进行表示一直以来是研究人员关注的热点，并没有一个定论，比如在 BEiT [2] 中利用 DALL-E [3] 的中间表示作为预测目标，在 MAE [4] 中直接预测原始像素，MaskFeat [5] 预测 HOG 特征。

本文首先基于掩码蒸馏框架，探究不同模型的输出结果作为预测目标对图像微调分类、目标检测、语义分割性能的影响。在多阶段的掩码知识蒸馏框架（Masked Knowledge Distillation, MKD）下，所有实验的性能均趋于一致，性能方差随着阶段而减小。

通过对实验结果的观察，可以得到如下的结论：

1. 不同预测目标得到的模型性能趋于相同；

2. 通过 MKD 可以有效提升不同预测目标（teacher）的性能；

3. 一个随机初始化的模型经过多轮训练之后表现出的性能出奇好。

除了使用数值量化指标外，文章还使用两种可视化工具，来分析不同模型权重和输出的性质。使用不同网络做教师经过掩码知识蒸馏后，模型的权重和输出表现出了相似的性质。

可以得出： 在多阶段掩码蒸馏下，目标表征的选择不重要。

dBOT方法提出

dBOT的多阶段训练框架可以表示为：

dBOT 将 MIM 训练分为不同阶段，在每个阶段中采用上个阶段的模型作为 MIM 的预测目标，在第一阶段采用一个随机初始化的模型作为预测目标。相比于之前的方法：

1. dBOT 使用预训练网络作为预测目标，不需要额外一个阶段的预训练。

2. dBOT 使用随机网络的多阶段策略，既保证了在每一个阶段提供稳定的视觉特征，又通过阶段间 teacher 网络的更新，保证了更强的视觉特征。

3. dBOT 一开始使用一个随机初始化的网络做 teacher，极大降低了设计上的 inductive bias。

结果和分析

在微调分类上，dBOT 使用 ViT-H 达到了 89.0% 的精度，超越 MAE 1.2%。获得了在 ImageNet-1K 上的 SOTA 性能。

在目标检测、实例分割、语义分割等密集预测任务上，相同设置下 dBOT 的性能超越了之前的视觉预训练方法。相比于 MAE 有 2~3 个点的提升。这个提升是非常显著的。

除此之外，文章还使用更强的教师网络【结构上/数据上】来探究 dBOT 的上限和泛化性。

1. 首先选取比 student 参数量更大的 teacher 来进行掩码蒸馏，在三个任务上均获得了显著的提升：

2. 其次选取在更大数据集训练的网络来作为 teacher 进行掩码蒸馏：

相比于使用参数量更大的网络作为 teacher，使用数据容量更大的网络作为teacher的效果更加显著。

参考文献

[1] Xingbin Liu, Jinghao Zhou, Tao Kong, Xianming Lin, and Rongrong Ji. Exploring Target Representations for Masked Autoencoders. arXiv preprint arXiv:2209.03917.

[2] Hangbo Bao, Li Dong, and Furu Wei. BEiT: BERT pre- training of image transformers. In ICLR, 2022.

[3] Aditya Ramesh, Mikhail Pavlov, Gabriel Goh, Scott Gray, Chelsea Voss, Alec Radford, Mark Chen, and Ilya Sutskever. Zero-shot text-to-image generation. In ICML, 2021.

[4] Kaiming He, Xinlei Chen, Saining Xie, Yanghao Li, Piotr Dolla ́r, and Ross Girshick. Masked autoencoders are scalable vision learners. In CVPR, 2022.

[5] Chen Wei, Haoqi Fan, Saining Xie, Chao-Yuan Wu, Alan Yuille, and Christoph Feichtenhofer. Masked feature predic- tion for self-supervised visual pre-training. In CVPR, 2022.

更多阅读