Unsupervised Learning of Visual Features by Contrasting Cluster Assignments

持续创作，加速成长！这是我参与「掘金日新计划 · 10 月更文挑战」的第15天，点击查看活动详情

本文共计1945字，阅读大概需要花费4分钟

论文地址：Unsupervised Learning of Visual Features by Contrasting Cluster Assignments

代码地址：github.com/facebookres…

如果你不懂什么是对比学习，直接看这篇文章会很吃力。建议阅读本文之前先看看两篇前馈文章：

1. 诸神黄昏时代的对比学习 – 掘金 (juejin.cn)

2. “军备竞赛”时期的对比学习

如果你不想看这两篇文章也没有关系。我会尽力尽力，说得通俗易懂。毕竟我也是初学者，所以我感觉我理解的肯定容易让小白也理解。如果有什么漏误欢迎各位大佬批评指正。我们称这篇论文为SwAV。

对比学习简单来说就需要找出正样本和负样本互相对比。在前面的这个学习的工作中，大家提出了各式各样的政府样本的选取方式，比如：

• 将整个imagenet做成字典，从中抽取一个mini batch作为正样本。再从中随机抽取4096条作为负样本。
• 从数据集中抽取一个mini batch对其增广，使用一个孪生网络，将原图放进一个网络，将增强之后的图放进另一个网络，二者同时进行训练，对二者使用一个NCE loss或者infoNCE loss。一张图片和它的增广作为正样本，剩余的图片及其增广作为负样本。
• 从数据集中抽取一个mini batch对其进行两次增广，使用一个孪生网络，将一组图片增强放进一个网络，将另一组图片增强放进另一个网络，二者同时进行训练，对二者使用一个NCE loss或者infoNCE loss。

乍一看上面的做法好像都没有什么问题，做出来的最后效果也挺好的，但是这个时候一个做聚类的大佬跳了出来。他说不管你们对比学习的负样本怎么选择，你们的整个mini match都是从imagenet中随机抽取的，所以你们的负样本具有随机性。

• 它可能会重复的抽取到同一数据。虽然你数据集有很多图片，但是你从中抽可能会抽到相同的图片。极端的情况下，如果你抽到一组图片作为正样本，然后你又抽到同样重复的一组图片作为负样本。那这样就会对训练造成影响。
• 也可能不具有整个数据集的代表性。比如这个数据其实有很多很多种动物，但是你抽到的都是狗，这样数据就是没有代表性的。
• 当然这样的选取的越全面效果越好，但是如果你选取的过多的负样本又会造成计算资源的浪费。

所以我提出用聚类。

看一下上边图像。

左侧是常规的对比学习。将数据进行不同内强的增强，然后将增强后的两份数据分别放入不同的模型当中获得对应的表示，最后进行对比。

右侧是作者提出的网络。也是将输入进行不同的增强，增强之后的数据也会进入到一个网络之中，获得相应的表示之后不会直接拿去做对比。中间加了一个C模块，这个模块是一个聚类模块。你得到的数据需要去跟聚类的中心比。

聚类中心就是右图里的c，也就是个prototype，它其实就是个矩阵，它的维度是d 乘以 k，d是特征的维度，这里的d和特征的d 是一样的，比如说就是之前说的128维，这个k就是有多少个聚类中心。在这篇文章中它选的是3,000，ImageNet数据集上常用的一个参数聚类参数。

通过clustering让特征z和prototype c生成一个目标，也就是上图的q1、q2。

x1、x2是正样本的话，那z1 和 z2的特征就应该很相似，也就跟之前对比学习一样，z1和z2要尽可能的相似。那如果两个特征非常相似，按道理来说应该是可以互相去做预测的，也就是说，如果拿z1这个特征去跟c去做点乘，按道理来说也是可以去预测q2；反之亦然，z2和这个c去做点乘也可以预测q1，所以说点乘之后的结果就是预测。通过这种换位预测（Swapped prediction）的方法，SwAV可以对模型进行训练。

最后的目标函数是这一个:

$$-\frac{1}{N}\sum _{n=1}^N\sum _{s,t\sim \mathcal{T}}\left[\frac{1}{\tau }{\mathbf{z}}_{nt}^{\top }\mathbf{C}{\mathbf{q}}_{ns}+\frac{1}{\tau }{\mathbf{z}}_{ns}^{\top }\mathbf{C}{\mathbf{q}}_{nt}-\log \sum _{k=1}^K\exp \left(\frac{{\mathbf{z}}_{nt}^{\top }{\mathbf{c}}_k}{\tau }\right)-\log \sum _{k=1}^K\exp \left(\frac{{\mathbf{z}}_{ns}^{\top }{\mathbf{c}}_k}{\tau }\right)\right]$$

ImageNet才1000类，因此这里聚类聚成3000个是非常足够的。那我们来看一下使用聚类能解决什么问题。

• 先说重复问题：因为你使用的是聚类中心进行比较。虽然是不同的聚类中心，那么他肯定不可能出现重复的情况。
• 再说一下没有代表性的问题：聚类就是将众多的图片聚成不同的类别。与每一个类别的中心进行对比，是绝对具有代表性的。
• 再说一下过去有过多负样本造成资源浪费的问题。如果要跟很多的负样本去做类比，可能就需要成千上万的负样本，而且即使如此也只是一个近似，而如果只是跟聚类中心做对比，则可以用几百或者最多3,000个聚类中心，就足以表示了。大大减少了计算资源消耗。

除了聚类，SwAV还提出了一个muti crop的方法，感兴趣的可以自己去看一下。

最后我们来看一下它的效果。

因为这篇文章是在BYOL之前出来的，所以它只和前面的模型做了一下对比，我们可以明显的看到。他比我们之前提到的无监督对比学习方法效果都要好，效果直逼有监督的方法。其实它甚至比身后的BYOL 和 SimSiam效果也要好。

而且当使用更大的模型的时候，也就是像图里说的一样，把一个Res50变宽，而且就是这里的2倍、4倍、5倍这么宽的时候，SwAV的结果还能不停地涨。当用最大的模型（5倍的模型）的时候，SwAV已经跟有监督的模型，差距非常的小，而且SwAV也是要比SimCLR*2、SimCLR *4要高的。这篇文章还是非常值得一读的，并且作者也从另一个角度给我们提出了一个改进方法，就是要让样本更具有代表性。这篇文章非常推荐大家看一看。