FAIR何恺明团队最新研究：定义ViT检测迁移学习基线

论文链接：https://arxiv.org/abs/2111.11429

本文是FAIR的何恺明团队关于ViT在COCO检测任务上的迁移学习性能研究。它以Mask R-CNN作为基线框架，以ViT作为骨干网络，探索了不同初始化策略对于模型性能的影响；与此同时，为尽可能保证对比的公平性，还对不同超参数进行了大量的实验；此外，为将ViT作为多尺度模式，参考XCiT对ViT不同部分的特征进行尺度调整以达成多尺度特征输出；为使得ViT模型能处理大分辨率图像，还对ViT的架构进行了改进，引入了全局与局部自注意力机制，进一步提升了模型性能取得了更佳的均衡。该文的一系列实验表明：masking机制的无监督学习机制(如MAE、BEiT)首次在COCO检测任务迁移学习中取得了令人信服的性能提升 。

Abstract

为测试预训练模型能否带来性能增益(准确率提升或者训练速度提升)，目标检测是一个常用的且非常重要的下游任务。面对新的ViT模型时，目标检测的复杂性使得该基线变得尤为重要(non-trivial )。然而架构不一致、缓慢训练、高内存占用以及未知训练机制等困难阻碍了标准ViT在目标检测任务上的迁移学习。

本文提出了训练技术以克服上述挑战，并采用标准ViT作为Mask R-CNN的骨干。这些工具构成了本文的主要目标：我们比较了五种ViT初始化，包含SOTA自监督学习方法、监督初始化、强随机初始化基线。

结果表明：近期提出的Masking无监督学习方法首次提供令人信服的迁移学习性能改善 。相比监督与其他自监督预训练方法，它可以提升 指标高达4% ；此外masking初始化具有更好的扩展性，能够随模型尺寸提升进一步提升其性能。

Method

因其在目标检测与迁移学习领域的无处不在性，我们采用Mask R-CNN作为基线方案。该选择也旨在对简洁性与复杂性进行均衡，同时提供具有竞争力(也许并非SOTA)的结果。相比原始版本，我们为Mask R-CNN提供了不同的改进模块与训练方案。

ViT Backbone

接下来，我们将解决如下两个ViT作为Mask R-CNN骨干的技术障碍

• 如何与FPN适配；

• 如何降低内存占用与推理耗时。

FPN Compatibility  Mask R-CNN可以与输出单尺度特征的骨干，也可与输出多尺度特征(多尺度特征将被送入FPN处理)的骨干协同工作。由于FPN能够提供更好的检测结果，故我们采用了FPN方案。

然而，采用FPN存在这样一个问题：ViT仅输出单尺度特征，而非CNN的多尺度特征 。为解决该问题，我们采用了XCiT中的技术对ViT中间特征进行上/下采样以提供四种不同分辨率的特征(可参见上面图示绿框部分)。

第一个模块采用两个stride=2的转置卷积进行4倍上采样；第二个模块采用一个stride=2的转置卷积进行2倍上采样；第三个模块不做任何处理；最后一个模块采用stride=2的MaxPool进行下采样。

假设块尺寸为16，这些模块将输出stride分别为4、8、16、32的特征并被送入到FPN中。

注：Swin与MViT通过修改VIT架构解决了ViT无法输出多尺度特征的问题。这种处理方式也是一个重要的研究方向，但它与ViT的简单设计相悖，会阻碍新的无监督学习(如MAE)探索。因此，本文仅聚焦于上述生成多尺度特征的改动方式。

Reducing Memory and Time Complexity  采用ViT作为Mask R-CNN的骨干会导致内存与耗时挑战。ViT中的每个自注意力操作会占用空间。

在预训练过程中，该复杂度是可控的()。而在目标检测中，标准图像尺寸为，这就需要近21倍多的像素和图像块，这种高分辨率用于检测小目标。由于自注意力的复杂度，哪怕基线ViT-B也需要占用20-30G GPU显存(batch=1，FP16) 。

为降低空间与时间复杂度，我们采用Windowed Self-attention，即局部自注意力，而非全局自注意力。我们将图像块拆分为非重叠窗口并在每个窗口独立计算自注意力。这种处理方式可以大幅降低空间复杂度与时间复杂度，我们默认设置。

Windowed Self-attention的一个缺陷在于：骨干不能跨窗口聚合信息。针对此，我们每 隔模块添加一个全局自注意力模块 。

Upgraded Modules

相比原始Mask R-CNN，我们对其内置模块进行了如下改动：

• FPN中的卷积后接BN；

• RPN中采用两个卷积，而非一个卷积；

• RoI分类与Box回归头采用四个卷积(带BN)并后接一个全连接，而非原始的两层MLP(无BN)；

• Mask头中的卷积后接BN

Training Formula

相比原始训练机制，我们采用了从头开始训练+更长训练周期的训练机制(如400epoch)。我们希望让超参尽可能的少，同时抵制采用额外的数据增广与正则技术。然而，我们发现：DropPath对于ViT骨干非常有效(性能提升达2)，故我们采用了该技术。

总而言之，训练机制如下：

• LSJ数据增广(分辨率，尺度范围[0.1,2.0])；

• AdamW+Cosine学习率衰减+linear warmup

• DropPath正则技术；

• batch=64，混合精度训练。

当采用预训练初始时，微调100epoch；当从头开始训练时，训练400epoch。

Hyperparameter Tuning Protocol

为使上述训练机制适用于同模型，我对学习率lr、权值wd衰减以及drop path rate三个超参进行微调，同时保持其他不变。我们采用ViT-B+MoCoV3进行了大量实验以估计合理的超参范围，基于所得估计我们构建了如下调节机制：

• 对每个初始化，我们固定dp=0.0，对lr与wd采用grid搜索，固定搜索中心为，以此为中心搜索；

• 对于ViT-B，我们从中选择dp(预训练参数时，训练50epoch；从头开始时，则训练100epoch)，dp=0.1为最优选择；

• 对于ViT-L，我们采用了ViT-B的最后lr与wd，并发现dp=0.3是最佳选择。

注：在训练与推理过程中，图像将padding到尺寸。

Initialization Methods

在骨干初始化方面，我们比较了以下五种：

• Random：即所有参数均随机初始化，无预训练；

• Supervised：即ViT骨干在ImageNet上通过监督方式预训练，分别为300和200epoch；

• MoCoV3：即在ImageNet上采用无监督方式预训练ViT-B与ViT-L，300epoch；

• BEiT：即采用BEiT方式对ViT-B与ViT-L预训练，800epoch；

• MAE：即采用MAE对ViT-B与ViT-L预训练，1600eoch；

Nuisance Factors in Pre-training

尽管我们尽可能进行公平比较，但仍存一些“令人讨厌”的不公因子：

• 不同的预训练方法采用了不同的epoch；

• BEiT采用可学习相对位置偏置，而非其他方法中的绝对位置嵌入；

• BEiT在预训练过程中采用了layer scale，而其他方法没采用；

• 我们尝试对与训练数据标准化，而BEiT额外采用了dVAE。

Experiments&Analysis

上表比较了不同初始化方案的性能，从中可以看到：

• 无论何种初始化，采用ViT-B/L作为骨干的Mask R-CNN训练比较平滑，并无不稳定因素，也不需要额外的类似梯度裁剪的稳定技术 ；

• 相比监督训练，从头开始训练具有1.4指标提升(ViT-L)。也即是说：监督预训练并不一定比随机初始化更强；

• MoCoV3具有与监督预训练相当的性能；

• 对于ViT-B，BEiT与MAE均优于随机初始化与监督预训练；

• 对于ViT-L，BEiT与MAE带来的性能提升进一步扩大，比监督预训练高达4.0.

上图给出了预训练是如何影响微调收敛的，可以看到：相比随机初始化，预训练初始化可以显著加速收敛过程，大约加速4倍 。

Discussion

对于迁移学习来说，COCO数据集极具挑战性。由于较大的训练集(约118K+0.9M标准目标)，当随机初始化训练时可以取得非常好的结果。我们发现：

• 现有的方法(如监督预训练、MoCoV3无监督预训练)的性能反而会弱于随机初始化基线方案 。

• 已有的无监督迁移学习改进对比的均为监督预训练，并不包含随机初始化方案；

• 此外，他们采用了较弱的模型，具有更低的结果(约40)，这就导致：不确定如何将已有方法迁移到SOTA模型中。

我们发现：MAE与BEiT提供了首个令人信服的COCO数据集上的指标提升 。更重要的是：这些masking方案具有随模型大小提升进一步改善检测迁移学习能力的潜力 ，而监督预训练与MoCoV3等初始化方式并无该能力。

Ablations and Analysis

上表对比了单尺度与多尺度版本Mask R-CNN的性能，从中可以看到：多尺度FPN设计可以带来1.3-1.7指标提升 ，而耗时仅提升5-10%，多尺度内存占用提升小于1%。

上表对比了降低显存与时间复杂度的不同策略，可以看到：

• 局部+全局的组合方式(即第二种)具有最佳的内存占用与耗时均衡；

• 相比纯局部自注意力方式，全局自注意力可以带来2.6指标提升。

上表比较了不同位置信息的性能对比，从中可以看到：

• 对于仅使用绝对位置嵌入的预训练模型，在微调阶段引入相对位置偏置可以带来0.2-0.3指标提升；

• 预训练相对位置偏置可以带来0.1-0.3指标增益；

• 相对位置偏置会引入额外的负载：训练与推理耗时分别增加25%和15%，内存占用提升15%。

上图对比了预训练周期对于性能的影响，可以看到：

• 在100-800epoch预训练周期下，越多的预训练周期带来越高的迁移学习性能；

• 在800-1600epoch下，仍可带来0.2指标的性能增益。

上图给出了TIDE工具生成的误差分析，可以看到：

• 对于正确定位的目标，所有的初始化可以得到相似的分类性能；

• 相比其他初始化，MAE与BEiT可以改善定位性能。

上表给出了不同骨干的复杂度对比(ViT-B与ResNet-101具有相同的性能：48.9)，可以看到：

• 在推理耗时方面，ResNet-101骨干更快；

• 在训练方面，ViT-B仅需200epoch即可达到峰值性能，而ResNet-101需要400epoch。

如果觉得有用，就请分享到朋友圈吧！