MaPLe: Multi-modal Prompt Learning 多模式提示学习
文章介绍
- 这篇文章于2023年发表在CVPR（Conference on Computer Vision and Pattern Recognition），作者是Muhammad Uzair Khattak，Hanoona Rasheed，Muhammad Maaz，Salman Khan，Fahad Shahbaz Khan。
- 研究发现Clip的问题：在单个分支（语言或视觉）中使用prompt来调整表示是次优的，它不能在下游任务上灵活地动态调整两个表示空间。
- 作者提出了针对视觉和语言分支的多模态提示学习(MaPLe)，以改善视觉和语言表征之间的一致性。
- 与CoCoOp方法相比更好。
动机
作者认为，Clip中只有文本编码器学习prompt，不足以对图像编码器所需的适应进行建模，因此着手基于多模态提示学习（MaPLe）来充分微调文本和图像编码器表示。
MaPLe:Multi-modal Prompt Learning 模型结构
- 这是第一个用于微调CLIP的多模式提示方法。
- 多模态提示是在视觉和语言分支的多个转换块中学习的，以逐步学习两种模态的协同行为。
- 提出了耦合函数，将文本和图像编码器中的提示学习联系起来，作为两种模式之间的桥梁，允许梯度的相互传播，以促进协同作用。
- 在视觉和语言分支的前 J J J 层（ J J J < K K K ）引入 learnable token。
| text encoder | 文本编码器 | image encoder | 图像编码器 |
|---|---|---|---|
| W i W_i Wi | word embeddings | E i E_i Ei | image embeddings |
| L i L_i Li | 某层transformer | V i V_i Vi | 某层transformer |
| P i P_i Pi | 提示 | P i P_i Pi | 提示 |
| c i c_i ci | class(CLS) tokens |
1、Deep Language Prompting 深度语言提示
-
作者在 text encoder 的前 J J J 层各引入了 b b b 个learnable tokens : { P i ∈ R d l {P_i \in \mathbb{R}}^{d_{l}} Pi∈Rdl} i = 1 b _{i=1}^b i=1b。
-
输入： [ P 1 , P 2 , … , P b , W 0 ] [P_1, P_2, \ldots , P_b, W_0] [P1,P2,…,Pb,W0]
-
前 J J J 层：提示tokens被引入到每一层 L i L_i Li，与 W i W_i Wi 进行连接，这里的 [ ⋅ , ⋅ ] [ \cdot, \cdot] [⋅,⋅] 是指连接操作。（包括第 J J J 层）
[ − , W i ] = L i ( [ P i − 1 , W i − 1 ] ) i = 1 , 2 , … , J (1) \left[ -, W_i \right] = L_i \left( \left[P_{i-1}, W_{i-1}\right] \right) \text { } i = 1, 2, \ldots, J \quad \tag{1} [−,Wi]=Li([Pi−1,Wi−1]) i=1,2,…,J(1)
- 后 J J J 层：没有额外的提示输入，而是处理前一层的prompt，通过自注意力机制和前馈神经网络来处理文本数据，计算最后的文本表示 z z z 。
[
P
j
,
W
j
]
=
L
j
(
[
P
j
−
1
,
W
j
−
1
]
)
j
=
J
+
1
,
…
,
K
(2)
[P_j, W_j] = L_j \left( \left[P_{j-1}, W_{j-1}\right] \right) \text { } j = J + 1, \ldots, K \quad \tag{2}
[Pj,Wj]=Lj([Pj−1,Wj−1]) j=J+1,…,K(2)
z
=
TextProj
(
w
N
K
)
(3)
z = \text{TextProj} \left(w_{N_K}\right) \quad \tag{3}
z=TextProj(wNK)(3)
- 当 J = 1 J = 1 J=1 时，提示 P P P 只应用于第一个Transformer层的输入，此时深度语言提示技术退化为CoOp 。
2、Deep Vision Prompting 深度视觉提示
- 类似于深度语言提示，在 text encoder 的前 J J J 层各引入了 b b b 个learnable tokens : { P i ~ ∈ R d v {\tilde{P_i} \in \mathbb{R}}^{d_{v}} Pi~∈Rdv} i = 1 b _{i=1}^b i=1b。
-
前
J
J
J 层：
[ c i , E i ] = V i ( [ c i − 1 , E i − 1 , P ~ i − 1 ] ) i = 1 , 2 , … , J [c_i, E_i] = V_i([c_{i-1}, E_{i-1}, \tilde{P}_{i-1}]) \quad \text { } i = 1, 2, \ldots, J [ci,Ei]=Vi([ci−1,Ei−1,P~i−1]) i=1,2,…,J -
后
J
J
J 层：
[ c j , E j , P ~ j ] = V j ( [ c j − 1 , E j − 1 , P ~ j − 1 ] ) j = J + 1 , … , K [c_j, E_j, \tilde{P}_j] = V_j([c_{j-1}, E_{j-1}, \tilde{P}_{j-1}]) \quad \text{ } j = J + 1, \ldots, K [cj,Ej,P~j]=Vj([cj−1,Ej−1,P~j−1]) j=J+1,…,K
x = ImageProj ( c K ) x = \text{ImageProj}(c_K) x=ImageProj(cK)
3、Vision Language Prompt Coupling 视觉语言提示耦合
共享提示在两种模态之间建立联系，语言提示被引入到语言分支中的J层Transformer块中，而视觉提示通过视觉到语言的投影函数从语言提示中获得。
- independent V-L Prompting：独立V-L提示
- 通过投影函数 F ( ⋅ ) F(\cdot) F(⋅)将语言提示 P i P_i Pi 映射到视觉提示 P i ~ \tilde{P_i} Pi~
- F i F_i Fi是一个线性层，这个映射操作是一个从 d l dl dl 维到 d v dv dv 维的线性变换。
提示耦合过程
- 提示过程使用投影函数 F ( ⋅ ) F(\cdot) F(⋅) 在前 J J J 个transformer块中进行
- 语言分支：通过 F i F_i Fi 对 P i P_i Pi 进行映射，得到了 P i ~ \tilde{P_i} Pi~。
- 视觉分支：通过引入了调整后的视觉提示 P i ~ \tilde{P_i} Pi~，保持了分支之间的协同作用。
实验
1、通过V-L prompts prompting CLIP
- shallow MaPLe(第1行)在泛化方面提供了对CoOp和Co-CoOp的持续改进。
- 深度语言提示(第3行)比深度视觉提示(第2行)有所改善，表明在语言分支学习的提示能更好地适应CLIP。
- 虽然单独结合上述两种方法(第4行)进一步提高了性能，但它很难从语言和视觉分支中获得综合效益。
- MaPLe与深度提示(第4行)结合了提示在两个分支中的好处，通过在语言提示上执行视觉提示的显式条件反射来强制交互。它提供了新类和基类准确度的改进，导致最佳HM为78.55%。
2、基类到新类的泛化
- 给出了MaPLe在11个识别数据集上从基类到新类的泛化设置下的性能。
- 与最先进的Co-CoOp相比，MaPLe在所有11个数据集上的基本类和新类性能都有所提高，只有Caltech101的基本类性能略有下降。
- 与CLIP相比，Co-CoOp仅在4/11数据集上有所提高，平均新分类准确率从74.22%降至71.69%。
- MaPLe是一个强大的竞争对手，它在6/11数据集上的新类别上提高了CLIP的准确性，平均增益从74.22%提高到75.14%。
3、跨数据集评估
我们通过在所有1000个ImageNet类上学习多模态提示，然后直接将其转移到剩余的10个数据集上，来测试MaPLe的跨数据集泛化能力。MaPLe表现出有竞争力的性能，平均准确率最高，为66.30%。
4、域泛化
评估了ImageNet训练模型对各种域外数据集的直接可移植性，并观察到，与表5所示的所有现有方法相比，它持续提升。
5、消融实验
- Prompt Depth（左）：深度J对语言和视觉分支深度的影响
MaPLe在深度为 9 时实现了最大性能 - Prompt Length（右）：提示符长度对MaPLe的影响
随着提示符长度的增加，基类上的性能一般保持不变，而新类的准确率则下降。这表明过拟合本质上损害了对新类别的泛化。
- Effectiveness of Multi-modal Prompting：多模式提示的有效性
文章来源：https://www.toymoban.com/news/detail-816271.html
- Prompting complexity：提示复杂度
MaPLe提供了更好的推理和训练速度,MaPLe†的参数比MaPLe小约9倍，MaPLe†对所有层prompt使用统一的V-L耦合函数，比MaPLe少约9倍的参数，但性能差异不大。
总结
大规模V-L模型（例如CLIP）对下游任务的适应是一个具有挑战性的问题，因为大量的可调参数和有限的下游数据集大小。提示学习是一种高效且可扩展的技术，可以根据新的下游任务定制V-L模型。为此，目前的提示学习方法要么只考虑视觉方面的提示，要么只考虑语言方面的提示。我们的工作表明，对视觉和语言分支进行提示是至关重要的，以使V-L模型适当地适应下游任务。此外，我们提出了一种策略，通过在不同的transformer阶段将视觉提示明确地限制在文本提示上，来确保视觉语言模式之间的协同作用。我们的方法提高了对新类别、跨数据集迁移和具有域迁移的数据集的泛化能力。文章来源地址https://www.toymoban.com/news/detail-816271.html
到了这里，关于【提示学习论文六】MaPLe: Multi-modal Prompt Learning论文原理的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
