<mark id="oztn4"></mark>
0
| 本文作者： 任平 | 2022-05-06 15:04 |
家人們，你們有沒有這種苦惱？
搬一次家就換一次家具，那些又貴又重的家具既不好搬運，又不好全部帶走。
下一次又重新購置一遍家具，浪費錢不說，關(guān)鍵是來來回回都做一樣的事情！家具還沒用過幾次，利用率不高呀！
這種搬家的苦惱，就好比AI領(lǐng)域，做幾個任務就需要開發(fā)幾個高度定制的模型，不僅所需的數(shù)據(jù)采集量非常大，每次還都得從頭標注。既提不起數(shù)據(jù)的學習效率，又耗費巨大的數(shù)據(jù)獲取成本。
光是AI前端研究就耗費如此巨大的精力，更別提應用場景中數(shù)以萬計的長尾任務。
那怎么辦？
做一款通用的深度學習模型，才是關(guān)鍵。
無論國內(nèi)外，底層技術(shù)關(guān)注者都以設計出“通用模型”為己任。而打造通用模型的兩個主戰(zhàn)場，就是深度學習應用最廣泛的兩個方向：語言與視覺。
目前，通用語言模型（GLM）已經(jīng)取得了令人矚目的進展，比如BERT、T5和GPT-3，它們在應對廣泛的語言下游任務時已經(jīng)游刃有余。
相形之下，通用視覺模型（GVM）的研究遲遲未交出一份令人滿意的答卷。
以往的大多數(shù) GVM 研究主要利用一種監(jiān)督信號來源，如 ViT-G/14 采用有標簽監(jiān)督，SEER 采用樣本的不同增強之間的對比學習，CLIP采用圖片文本對進行監(jiān)督。如果是在單個監(jiān)督信號下進行的預訓練，這幾種范式確實能夠生成在固定場景下表現(xiàn)良好的模型。但如果用在場景多元、任務多樣的下游場景，這些模型就難以勝任了。
比如現(xiàn)在最火的自動駕駛，汽車處于移動狀態(tài)，既要看到路況，又要看到紅綠燈，還要注意行人，甚至在智能座艙興起后，還要和語言技術(shù)、LBS場景服務協(xié)同，這么多的感知數(shù)據(jù)與協(xié)同任務，這么多隨機的新任務，無論在體量還是維度方面，都對視覺模型的要求極大提高。
這時，打造一款通用視覺模型，降低研發(fā)門檻，尤其是學術(shù)界的時間成本、資金成本，才能暢享下游的極致場景體驗。
去年11月，上海人工智能實驗室聯(lián)合商湯科技、香港中文大學、上海交通大學發(fā)布通用視覺技術(shù)體系“書生”（INTERN），一套持續(xù)學習框架，用于系統(tǒng)化解決當下人工智能視覺領(lǐng)域中存在的任務通用、場景泛化和數(shù)據(jù)效率等一系列瓶頸問題。
前不久，上海人工智能實驗室聯(lián)合商湯科技發(fā)布通用視覺開源平臺OpenGVLab，面向?qū)W術(shù)界和產(chǎn)業(yè)界開放其超高效預訓練模型、超大規(guī)模公開數(shù)據(jù)集，以及業(yè)內(nèi)首個針對通用視覺模型的評測基準。
這些開源技術(shù)，究竟有何魔力？
“書生” （INTERN），就是練就通用視覺能力的底層技術(shù)。
從技術(shù)實現(xiàn)上講，“書生”技術(shù)體系由由七大模塊組成，包括三個基礎設施模塊和四個訓練階段構(gòu)成。
三個基礎設施模塊分別為通用視覺數(shù)據(jù)系統(tǒng)(GV-D)、通用視覺網(wǎng)絡結(jié)構(gòu)(GV-A)、以及通用視覺評測基準(GV-B)；
四個訓練階段分別為：上游基礎模型訓練（Amateur）、上游專家模型訓練（Expert）、上游通才模型（Generalist）訓練；以及下游的應用訓練（Downstream-Adaptation）。
書生（INTERN）結(jié)構(gòu)圖
首先，通用視覺數(shù)據(jù)系統(tǒng)。
這是一個超大規(guī)模的精標數(shù)據(jù)集，擁有100億個樣本和各種監(jiān)督信號，并依照四大視覺任務分別設置了四個數(shù)據(jù)子集：多模態(tài)數(shù)據(jù)GV-D- 10B分類標注的GV-Dc-36M、檢測標注的GV-Dd-3M、分割標注的GV-Ds-143K。
另外，這一數(shù)據(jù)集還包含11.9萬的標簽系統(tǒng)，不僅涵蓋了自然界的眾多領(lǐng)域和目前計算機視覺研究中的幾乎所有標簽，還擴充了大量細粒度標簽，涵蓋各類圖像中的屬性、狀態(tài)等。
而這，就是書生“大力出奇跡”的一大注腳。
其次，通用視覺模型結(jié)構(gòu)。
它是由一個具有CNN和Transformer的統(tǒng)一搜索空間構(gòu)建而成。
為何要建立這樣的混合結(jié)構(gòu)？要知道，多年來，卷積神經(jīng)網(wǎng)絡（CNN）一直主導著視覺表征學習，并在圖像分類、目標檢測和語義分割等下游任務中表現(xiàn)出穩(wěn)定的可遷移性。但最近幾年，Vision Transformer (ViT)僅使用普通的Transformer結(jié)構(gòu)就能作為圖像編碼模型在ImageNet-1k上取得媲美 CNN 的性能，在大規(guī)模數(shù)據(jù)集上 ViT 更是展示出比 CNN 更大的潛力。
盡管ViT在性能上有優(yōu)點，但純Transformer網(wǎng)絡相比卷積神經(jīng)網(wǎng)絡缺乏某些歸納偏置（inductive biases），因此需要更多的數(shù)據(jù)和計算資源。此外，自注意的計算成本相對于輸入的數(shù)量是平方的，限制了對高輸入分辨率的應用。因此，將CNN和Transformer和MLP結(jié)合起來，平衡效率和有效性兩個方面，才是模型通用的關(guān)鍵。
這種兼具更好的泛化能力和更高的模型容量的模型結(jié)構(gòu)名為MetaNet。在MetaNet網(wǎng)絡結(jié)構(gòu)族里面進行網(wǎng)絡結(jié)構(gòu)搜索，從而得到最優(yōu)的一個模型訓練結(jié)構(gòu)。
統(tǒng)一搜索的MetaNet架構(gòu)：Conv和Trans分別表示卷積和Transformer。C和S為每一階輸出通道數(shù)和步幅。
具體來看，MetaNet不僅基于強化學習 的PPO算法提出了統(tǒng)一搜索架構(gòu)，并且，為了避免傳統(tǒng)的下采樣模塊會成為模型性能的瓶頸，“書生“結(jié)合了包含 local-global-DSM (LG_DSM) 和 global-DSM (G-DSM)的context-aware down-sampling modules (DSM)，用來代替原本的下采樣模塊。
因此，在淺層，模型依然使用卷積來提取特征，但在深層，模型卻能將Transformer模塊和LG-DSM結(jié)合使用，以便于更好地提取全局信息。
同時，書生還基于最大的MetaNet-B15蒸餾出了多達13種不同的模型結(jié)構(gòu)，共24種不同的模型權(quán)重，現(xiàn)已全部開源。
這些模型結(jié)構(gòu)基本涵蓋了現(xiàn)有市面上大部分的主流backbone，不僅能夠很輕易地遷移到所需要的算法框架作為新網(wǎng)絡預訓練的初始化，而且只需要更短的訓練時間就可以達到比原來更好的訓練效果。
MetaNet 模型與其他模型結(jié)構(gòu)比較，結(jié)果如下：
基于卷積、Transformer和兩者混合的結(jié)構(gòu)，分別用C，T和H表示
可以看出，在圖像分類性能上，MetaNet系列的MN-B1，MN-B4和MN-B7，和其他的SOTA模型相比，不僅有更高的精度，還有更低的FLOPS和參數(shù)量。
除了分類任務，把MetaNet做為檢測和分割的backbone，在COCO數(shù)據(jù)集上使用Mask R-CNN結(jié)構(gòu)訓練，結(jié)果發(fā)現(xiàn)：
在模型參數(shù)量更小的前提下，MN-B4比Swin-T精度高出2到4個點。另外還在ADE20K數(shù)據(jù)集上進行了語義分割任務，MN-B4的mIoU指標比Swin-T高出5個點之多。
上述兩個實驗結(jié)果表明，MetaNet系列模型結(jié)構(gòu)，在模型精度與計算量之間，都達到了新的SOTA！
最后，通用視覺評測基準。
視覺評測基準GV-B ，就像是一個「擂臺」。
如下表所示，測評基準收集了 26 個下游任務數(shù)據(jù)集，囊括了 4 種視覺任務類型：分類，檢測，分割和深度估計。
在設置上，該基準引入了百分比樣本（percentage-shot），只需要選取整個數(shù)據(jù)集的一部分，例如 10%、20% ，對比縮小下游任務的訓練數(shù)據(jù)量后的模型性能。
與傳統(tǒng)的少樣本設置相比，這種百分比樣本設置可以很好地保留原始數(shù)據(jù)集的長尾分布等屬性，并減輕對樣本選擇的敏感性。因為有一些數(shù)據(jù)集樣本類別分布不平衡，比如下表中的VOC07+12，百分比數(shù)據(jù)的劃分方式卻會繼承這種分布情況。
右側(cè)三列avg，min和max，分別表示在10%的數(shù)據(jù)中，不同類別樣本數(shù)量的平均值，最小值和最大值
結(jié)合上述數(shù)據(jù)集和任務類型，論文選取了一些具有代表性的模型來做評測對比。為了比較公平性，該對比使用了這些模型的官方預訓練權(quán)重。這些模型包括：
RseNet
CLIP
ResNeXt
BiT
ViT
SwAV, DeepClusterV2和MoCo v2
Detco
有了超大精標數(shù)據(jù)集、模型結(jié)構(gòu)，以及評測基準后，已經(jīng)是萬事俱備，只欠訓練。
書生作為中國古代讀書人的經(jīng)典形象，代表著一個通過不斷學習、不斷成長進而擁有各方面才能的人格化角色：從基礎的知識技能學習開始，到對多種專業(yè)知識觸類旁通，進而成長為擁有通用知識的通才。借此意象，“書生”（INTERN）系統(tǒng)可通過持續(xù)學習，舉一反三，逐步實現(xiàn)通用視覺領(lǐng)域的融會貫通，最終實現(xiàn)靈活高效的模型部署。
下面就來看看，這套系統(tǒng)是如何通過訓練，一步步從生手變成專家再到多面手，最終在各種任務中大顯身手。
第一階段，訓練的是基礎能力，被稱為“基礎模型”（Amateur）。
近年來，CLIP因zero-shot recognition 能力和在下游任務的遷移能力而備受關(guān)注。
然而CLIP需要400M的圖像-文本對進行前訓練，囿于極大的數(shù)據(jù)量，CLIP很難進一步發(fā)展。但“書生”提出了一種新的訓練范式，DeCLIP（Data efficient CLIP ），能夠同時使用來自圖像-文本、圖像-圖像和文本-文本對的監(jiān)督信號進行模型預訓練，從而更有效地實現(xiàn)通用性。
此外，為了充分利用大規(guī)模多模態(tài)數(shù)據(jù)獲取基礎模型的優(yōu)勢，這一階段提出了Upstream-Amateur (Up-A)視覺語言預訓練框架，同時挖掘模態(tài)內(nèi)和跨模態(tài)知識。
這一訓練框架分為兩個預訓練階段：Upstream-Amateur for Global Representation (Up-A-G)和Upstream-Amateur for Local Representation (Up-A-L)。
其中，Up-A-G(左)使用群體監(jiān)督功能，從更豐富的監(jiān)督中學習。Up-A-L(右)采用局部自我監(jiān)督學習方法，對訓練好的視覺-語言模型進行調(diào)整，從而提高自身在密集預測CV任務中的表現(xiàn)。
Upstream-Amateur的框架
得益于這些內(nèi)在的監(jiān)督，DeCLIP-ResNet50可以在ImageNet上實現(xiàn)60.4%的zero-shot 精度第一。這比CLIP-ResNet50高出0.8%，數(shù)據(jù)使用量少了81%。當遷移到下游任務時，DeCLIP-ResNet50在11個視覺數(shù)據(jù)集中有8個優(yōu)于CLIP。
更關(guān)鍵的是，訓練完成的Upstream-Amateur為后續(xù)的訓練階段提供了一個很高的起點。
第二階段，訓練的是專業(yè)能力，被稱為“專家模型”（Expert）。
Up-A階段得到的基礎模型，在一般的視覺識別問題上顯示出優(yōu)異的性能。但要完全掌握檢測、分割等更具體的任務，還需要在每個任務中進行更專業(yè)的預訓練，這就促成了第二個階段的到來，專家模型。
對于每個專家，“書生”采用了一種簡單的多頭設計，每個頭是一個特定數(shù)據(jù)集的子網(wǎng)絡，從一個公共的、共享的“主干”分支出來。比如Up-E (C)、Up-E (D)和Up-E (S)，分別用于圖像分類、對象檢測和語義分割。
第三階段，訓練的是組合能力，被稱為“通才模型”（Generalist）。
上述的多任務是指不同數(shù)據(jù)集(如ImageNet和CIFAR)的一個視覺問題(如分類)，或一個數(shù)據(jù)集的多個視覺問題(如分類和檢測)。但關(guān)鍵是，如何將專家整合到一個統(tǒng)一的模型中，獲得一個更加通用的視覺模型。因此，在預訓練“專家”階段之后，又將“通才”作為第三個預訓練階段，以進一步統(tǒng)一特征表示。
“書生”提出了一個新的范式，名為“混合參數(shù)共享”，從而開發(fā)一個名為“多面手”的通才模型。
具體來說，由于專家捕獲的知識是相互關(guān)聯(lián)的，當專家的特征融合為一個共享的表示形式時，再利用基于軟共享的跨任務知識轉(zhuǎn)移和基于硬共享的通用表示學習的方法，在不引入任務沖突的情況下在專家之間傳遞信息（特征轉(zhuǎn)移），從而進一步提高了多任務訓練的模型(專家)性能，即“通才”能力。
在結(jié)構(gòu)上，通才模型是所有專家的一個相互關(guān)聯(lián)的版本，因此可以把每個“專家主干”稱為“通才分支”。此外，我們還可以根據(jù)訓練相應專家的任務將通才中的每個分支分為圖像、補丁和像素。但無論是軟共享還是硬共享，都意味著從專家模型到通才模型的一次躍升。
在經(jīng)歷了前三個訓練階段模塊后，終于來到最后的任務遷移階段 （Adaptation）。
這個階段屬于技術(shù)鏈條的下游，用來解決各式各樣不同類型的任務，而這也是最考驗“書生”舉一反三能力的時刻。它需要在這個階段把之前學到的通用知識，融會貫通地應用到不同特定任務中。
在此之前，很多遷移學習方法確實取得了很多進步，但問題是，這些方法既沒有利用上游預訓練中的隱含信息，也沒有考慮到下游數(shù)據(jù)在少鏡頭場景中的不足。
因此，“書生”提出了一種Multi-stage Fine-tuning (MF)方法，緩解在數(shù)據(jù)較少的情況下傳輸?shù)睦щy，再通過將上游數(shù)據(jù)編碼成生成模型，即VQ-GAN，可以將預訓練的模型轉(zhuǎn)移到多個任務和領(lǐng)域，而無需每次都使用上游數(shù)據(jù)，而這也使得“書生”更具通用性和可擴展性。
多級微調(diào)(MF)概述：VQ-GAN模型首先在第一階段使用上游數(shù)據(jù)進行訓練，然后在第二階段由它重構(gòu)下游數(shù)據(jù)。在此之后，第三階段只對新增任務的特定參數(shù)進行重新表示的圖像訓練，第四階段則通過下游數(shù)據(jù)對整個模型進行微調(diào)。
至此，一個具有持續(xù)學習能力的通用視覺模型終于出世。
而具體有哪些提升，不如看一下更直觀的實驗數(shù)據(jù)對比！
視覺領(lǐng)域，任務繁多，主流任務包含分類、目標檢測、語義分割、深度估計四大類型。
在這四大任務中，最強大的視覺模型還是去年OpenAI發(fā)布的CLIP模型。但相比較而言，“書生”則在準確率和數(shù)據(jù)使用效率上都有所提升。
1、精度表現(xiàn)
通過對“書生”訓練出的模型在GV-B上的評測對比，發(fā)現(xiàn)經(jīng)過多階段預訓練的MetaNet精度表現(xiàn)優(yōu)異。
在ImageNet等26個最具代表性的下游場景中， “書生”在分類、目標檢測、語義分割及深度估計等四大任務上，平均錯誤率分別降低了40.2%、47.3%、34.8%和9.4%。
書生（INTERN）與CLIP-R50x16在不同樣本量上的性能對比，正確率展示
2、數(shù)據(jù)使用效率
“書生”在數(shù)據(jù)效率方面的提升尤為矚目：只需要1/10的下游數(shù)據(jù)，就能超過CLIP基于完整下游數(shù)據(jù)訓練的準確度。
以CLIP-R50x16和Up-G MN-B15在GV-B的評測對比為例，分別在分類、目標檢測、語義分割、深度估計四大類型的26個下游任務數(shù)據(jù)集上進行了評測，僅使用了10%數(shù)據(jù)進行訓練的Up-G MN-B15模型，在絕大部分數(shù)據(jù)集上都能比使用了全部訓練數(shù)據(jù)的CLIP-R50有更好的精度表現(xiàn)。這表明，經(jīng)過多階段預訓練的MetaNet具有極強的泛化能力，能夠在僅有少量的訓練樣本情況下，達到SOTA的精度表現(xiàn)。
在下游視覺場景中，小樣本訓練帶來的是極高的訓練速度，以及極低的訓練成本。
例如在花卉種類識別任務上，“書生“只需要每一類型的花卉提供兩個訓練樣本，就能實現(xiàn)99.7%的準確率。
這個花卉數(shù)據(jù)集由102種英國常見的花組成，每個類別有40至258張圖片。其中包含有很大的比例、姿勢和光線變化。
102個類別的花卉數(shù)據(jù)集：https://www.robots.ox.ac.uk/~vgg/data/flowers/102/index.html
如此強大的通用視覺訓練模型已經(jīng)正式開源！
更關(guān)鍵的是，連同上述講到的標簽數(shù)據(jù)集、網(wǎng)絡結(jié)構(gòu)以及評測基準，均在OpenGVLab被統(tǒng)一打包開源。
其中的網(wǎng)絡結(jié)構(gòu)除了MetaNet，還包含大家普遍使用的ResNet， MobileNet， ViT， EfficientNet等，以滿足不同場景的應用，賦能計算機視覺。
然而，「書生」的布局不止于此。
OpenGVLab將與上海人工智能實驗室此前發(fā)布的OpenMMLab、OpenDILab一道，共同構(gòu)筑開源體系OpenXLab，持續(xù)推進通用人工智能的技術(shù)突破和生態(tài)構(gòu)建。
一位已經(jīng)使用過此次開源平臺的自動駕駛算法研究員表示：“書生系列模型充分覆蓋了從移動可部署的小模型，到超大規(guī)模自研結(jié)構(gòu)，為行業(yè)帶來了希望，尤其是它的收斂速度，大幅節(jié)省了訓練開銷，是技術(shù)落地的一大助推器。“
不僅是自動駕駛領(lǐng)域，智慧城市、智慧醫(yī)療、智慧交通，以及千千萬萬其他的智能化領(lǐng)域，都將獲得通用視覺模型帶來的技術(shù)紅利。
一位騰訊研究員大贊OpenGVLab：“能把這么大的工作開源出來真的是業(yè)界良心。簡單用了一下，確實比CLIP要更fine-grained（細粒度更高）。”
而來自學界的師生也對此感慨有加：“OpenGVLab集成了大量各種量級的state-of-the-art（先進）模型，使用起來更得心應手，省去了對不同codebase、不同模型繁瑣調(diào)研的煩惱。”
換句話說，當那些代碼和公式脫去了枯燥乏味的外衣，人們才發(fā)現(xiàn)了真正的創(chuàng)造力。而這，也是技術(shù)創(chuàng)新與平臺開源的魅力所在。
往近了說，用這款通用視覺模型打比賽，怕不是獎金多到飛起！在技術(shù)生產(chǎn)力的道路上，又誕生了一個致富小妙招！
目前，“書生”技術(shù)報告《INTERN: A New Learning Paradigm Towards General Vision》已在arXiv平臺發(fā)布。
歡迎大家親自挖寶！
雷峰網(wǎng)雷峰網(wǎng)(公眾號：雷峰網(wǎng))
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
