CLIP 改进工作串讲(下)学习笔记

1.图像生成

1.1CLIPasso(semantically-aware object sketching)

　　将物体的照片变成简笔画的形式，希望即使有最少的线条，也能识别出来物体。

　　问题定义，在纸上画几条随机初始化的曲线(bezier curve)，通过不断的训练，希望这些曲线最后变成简笔画，贝兹曲线是通过空间上2维的点控制的一条曲线，论文中通过四个点去控制曲线，也就是笔画，然后通过模型训练更改点的位置，通过贝兹曲线的计算，就能慢慢改变曲线的形状，最终变成想要的简笔画的形式。

　　具体曲线的控制涉及图形学领域，不过多介绍，假设已经定义了S1....Sn这n条曲线，也就是n个笔画，然后把这n个笔画输入一个光栅化器rasterizer，rasterizer就能把这些笔画画到二维的画布上，变成一个我们能看懂的图像，模型中间部分都是图形学中有的，论文的主要贡献都在前面和后面部分，就是前面如何去做一个更好的初始化，后面如何选择一个更合适的loss function。

　　 先讲一下目标函数，在得到马的简笔画图片后该怎么选择GT和目标函数呢？这里就是CLIP模型发挥作用的地方，这里借助了CLIP模型的稳健性，就是不论对原始的好的图像还是后面的简笔画图像，如果描述的都是同样的物体，比如说马，那通过CLIP模型得到的特征应该都是对马这个物体的描述，所以就应该让这两个特征尽可能地接近，也就是第一个loss，semantic loss。但是光有语义的一致性还不够，比如说如果得到的简笔画虽然是马，但是方向不对，那也不是想要的简笔画，所以应该还要再几何形状上对模型的输出进行一些限制，也就是第二个loss，Lg，具体来说，作者借鉴了之前一些low level视觉里的一些任务或者衡量指标，把模型前面几层的输出拿出来去算目标函数，因为前面的特征还有长，宽的概念，对几何的位置更加敏感，所以这里的Lg就是在CLIP预训练的模型前几层，去算简笔画图像和原始图像不同层之间特征的相似性。

　　这样虽然已经能够生成简笔画，但是作者发现点的初始化方式影响很大，所以作者想要一个比较稳定的初始化方式，让这个方法变得普适，所以在前面作者又提出了一个基于saliency的初始化方式，具体来说，就是用一个已经训练好的vision transformer，把原始图像输入这个vision transformer，然后把最后一层的多头自注意力取加权平均，得到一个saliency map，然后看map上哪些区域更显著，在这些显著的区域采点，最后的生成效果就能好很多。

　　虽然效果已经不错，但是作者还加了一个后处理的操作，自动地选择最后的那张final sketch，每次都是根据一张输入生成三张简笔画，然后根据之前提出的两个loss，去算这几张简笔画哪个能给出最低的loss，就选择那个简笔画作为最终的输出，

 　　模型的两大卖点在于1.能对不常见的物体生成简笔画，之前的方法都只能对数据集里有的类别生成简笔画，现在可以对任意物体生成。2.可以控制抽象程度，也就是控制初始的贝兹曲线的数量。

　　局限性：1.当图像有背景的时候，模型的效果就会差很多，必须是一个物体处于纯白色的背景上，模型的效果才好。本文中是借助了automatic mask的方法，也就是U2Net，先把物体抠出来，生成前景是物体，背景是白色幕布的图片，再把图片输入CLIPasso。但是这种two-stage的方法不是最优结果，如果能把automatic mask的方式融合进模型，甚至提出一种新的loss函数或者模型的改进，去把带背景的图片也能解决地很好，那模型的适用范围就能广很多。2.初始化的笔画都是同时生成的，而不是序列生成的，这其实与人的习惯也不符，如果能先生成一个笔画，再根据这个笔画生成下一个，然后一步一步生成所有笔画，可能效果能更好。3.虽然能控制抽象程度，但是需要提前人为输入，而不同图片需要的抽象程度是不同的，即使想达到相同的抽象程度，需要的笔画数可能也是不同的。

2.视频领域

 2.1CLIP4Clip(an empirical study of CLIP for end to end video clip retrieval)

　　如果使用最简单的方法，直接把每一帧都单独地打成image patch，再把patch输入vit，然后去得到最后的cls token的话，得到的就不再是一个cls token，而是一系列的cls token，比如输入10帧，最后就会有10个cls token，也就是10张图片的整体特征，问题是之前是一个文本特征对应一个图像特征，现在是一个对十个，那么该怎么做相似性计算呢？这篇论文因为是empirical study，所以其实就是把已有的各种方式都尝试了一遍，看哪种方式的结果最好。论文中尝试了3种方式。

　　第一种是最简单的方式，而且是不带任何参数的，将10个图片特征直接取个平均就完事了，但是这种方式有个缺点，就是去平均的时候没有考虑时序的特性，比如最终得到的特征是无法区分一个人是在坐下还是站起。不过这种方式是目前最被广泛接收的方式。

　　第二种方式作者把它叫做sequential type，就是考虑目前的目的其实就是两个，一个是把10个特征变成一个，另一个是加上时序特性，那想到时序建模，最原始的肯定就是lstm，把10个特征输入lstm，最后得到的就是一个特征，而且融合了时序信息，现在都用transformer去取代了lstm，只需要加上position embedding，就也能对时序进行建模。

　　 第三种方式作者把它叫做tight type，其实就是在做early fusion，因为上一步在做sequential type的时候，其实做的是late fusion，就是其实已经把图像和文本的特征抽完了，只是在考虑最后怎么融合，但在该方式里，在最开始就进行融合，具体来说，就是文本带上文本的位置编码也输入到一个transformer，视频帧得到的特征加上位置特征也输入到这个transformer，把文本和图像的特征一起学习，然后通过一个MLP得到一个特征，再去算相似度。

　　在实验部分可以看出，在数据量较少的时候，直接取平均的效果是最好的，因为CLIP的训练数据集很大，训练出来的效果已经很好了，这时候如果下游任务的数据集不大，做微调效果可能反而不好。但是当下游数据集不断增大之后，微调的效果就慢慢体现出来了，模型也就不那么容易过拟合了，所以后面的带参数的训练方式可能就会好一些，因为它更适合下游任务，但是差距并不显著，对比三种方式，第一种效果最好，第二种有时候效果也不错，第三种是完全不行。

　　insights:1.用CLIP的图像特征也是能够提升视频任务的。2.由于存在domain gap，如果能在视频这边找到足够多的训练数据再post pretrain一下，也就是说CLIP预训练完之后再在视频这边预训练一次，迁移效果就能好不少，但是这样计算代价也会高不少。3.对视频来说，也可以用2D的patch linear projection或者3D的patch linear projection，从实验来看，3D的patch linear projection会好一些，因为在一开始就融合了时序的信息，然后sequential type similarity也会好一些。4.对学习率非常敏感，现在在训练transformer的时候也发现，学习率基本上是最重要的超参数。

2.2ActionCLIP(a new paradigm for video action recognition)

　　先看一下之前的方法视频理解领域动作识别是怎么做的，一般都是有一些视频，然后输入一个视频编码器，得到一个向量，然后输入一个分类头，得到输出，然后把输出与GT进行对比，算一个交叉熵损失，但是这里存在一个巨大的局限性，就是对于有监督学习来说，是需要标签的，但是对于动作识别来说，怎么定义这些标签，怎么去标记更多带标签的数据，这些都是非常困难的问题，因为对于目标识别来说，要标记的物体概念都是非常清晰的，桌子就是桌子，所以用one-hot标签是没什么问题的，但是对于动作识别来说就完全不一样，比如开门，开瓶盖这种变成一个短语了，而且开这个词能用来描述很多动作，潜在的label space是接近于无穷的，这就需要进行权衡，如果标记很多类的话，费用是很高的，而且softmax可能就不工作了，很难用常见的分类算法去做一个很好的模型，如果只标常见的类，那不常见或者细粒度的类又该如何处理，所以摆脱标签的束缚就是本文的研究动机，那用CLIP就很合理了。

　　图中下半部分就是作者提出的多模态框架，其实跟CLIP是非常像的，首先过一个视频的编码器得到一些特征，然后把标签当成文本，输入文本编码器得到一些文本的特征，然后算视频特征和文本特征的相似度，得到相似矩阵，然后与提前定义好的GT算一个loss就好了。

　　主要改进：1.如何把图像变成视频，也就是上半分支，这其实跟CLIP4Clip非常接近。2.CLIP是一个无监督的方法，它的GT是来自于网络上的匹配的图像文本对，每个图像文本对都是独立的，CLIP就是对角线上才是正样本，其他都是负样本，但是本文中就不一样了，因为这里的文本就是标好的标签，这就会出现一个问题，就是当batch比较大的时候，同一行或者同一列就会出现多个正样本，这个问题把交叉熵损失换成KL divergence就好了，利用两个分布的相似度去算loss。

　　然后看主体方法部分，见下图，其实就是另一个改进，如何把CLIP迁移到视频领域来说动作识别。从整体的输入输出来看，跟CLIP或者CLIP4Clip都很像，文本标签先输入一个Textual Prompt，然后句子变成token输入一个文本编码器，得到一个单一的文本表示。视频这边也是视频的帧一个一个输入linear projection，得到一些vision token，然后输入一个pre-network prompt，然后输入视频的编码器，得到一个输出，然后视频输出和文本输出去算相似度就好了。

　　这里文本的prompt其实就是原始的prompt，但是视频这边已经不是原始prompt的意思了，这里这样写可能就是为了整体写作的连贯性，其实这里加的东西更像是加了adapter，不过prompt tuning，adapter，lora这些最近的efficient fine tuning的方法都非常接近了，这些方法的目的都是在原来已经训练好的预训练参数之上，加一些小的模块，然后通过训练这些小模块，能够然后已经训练好的模型参数能尽快迁移到下游任务上去。

　　为了与视频对应起来，文本这边也做了三种prompt，也就是右边这三种，主要看看视觉这边是怎么做的，首先最开始的这个pre-network prompt叫Joint，这个其实很简单，就是把时间和空间上的token都放在一起，直接输入网络进行学习，这里一开始也会把时序上的position embedding也加进去一起学，第二个in-network prompt其实就是利用了之前shift这个概念，这个概念最先在图像领域被提出，就是在特征图上做各种各样的移动，达到更强的建模能力，但是并不引入更多的参数，也不增加运行复杂度，19年tsm就把这个概念用到了时序领域，其实swin transformer也是利用了这个shift的概念，提出了shift window，这篇论文就把shift的操作拿过来，放到每一个ViT block的中间，也就是TSM模块，提高了时序建模的能力，但是不引入更高的计算量。最后是post-network prompt，其实这里跟CLIP4Clip是一模一样的，现在得到了很多的帧级表示，这里要跟文本特征做相似度计算，最好是先融合成一个视频级表示比较好。这里也用了三种方法，与CLIP4Clip都一样。

　　实验比较有意思的是文本这边的初始化没有什么关系，所以基本现在所有多模态的工作都把注意力放到了视觉这边，而且模型的初始化都是用vision ransformer去初始化而不是bert，另外文本段的prompt其实也没有什么影响，在视频这边，前两个prompt基本也没什么用，in-network prompt甚至可能拖了CLIP模型的后腿，唯一比较有用的就是post-network prompt。不过与CLIP4Clip中不同的是，平均池化的方法不太行，因为动作识别的训练数据集还是相当大的

 

3.总结

　　大家对于CLIP模型的使用可以分为三点：1.改动最小的情形，把图像或者文本通过CLIP得预训练模型的到一个特征，然后把这个特征跟原来的特征做一下融合，点乘或者拼接之类的，然后之前那个训练框架保持不动，只是用这个得到的更好的特征去加强之前的模型的训练。2.把CLIP模型当成一个teacher，把CLIP得到的特征来做蒸馏，无论是前面的特征还是最后的特征都可以蒸馏，这样无论是做什么任务，都可以拿2D的模型来蒸馏一些预训练好的知识，来帮助现有的模型收敛得更快。3.不太借助CLIP的预训练参数，只是借鉴这种多模态对比学习的思想，应用到自己的任务中来，定义自己的正样本对和负样本对，然后去算多模态的对比学习loss，从而实现多模态的分割或者识别。