CLIP：Learning Transferable Visual Models From Natural Language Supervision

CLIP：Learning Transferable Visual Models From Natural Language Supervision

论文地址：[2103.00020] Learning Transferable Visual Models From Natural Language Supervision (arxiv.org)

CLIP的好处为，无监督学习，迁移性强（zero-shot transfer），并且可预测的物体类别无限制。CLIP是用文本作为监督信号来训练的可迁移的视觉模型。CLIP全称为Contrastive Language-Image Pre-training，即基于文本-图像对的预训练方法或模型。CLIP有两个模型分别提取图像和文本的特征：Text Encoder和Image Encoder，其中Text Encoder是使用的模型是text transformer模型，而Image Encoder使用的是CNN模型或vision transformer模型。 CLIP从互联网上搜集了4亿个文本-图像对（作者将其命名为WebImageText，简称为WIT），当做预训练部分的训练集。在下游任务中，可通过文本匹配图像，从而实现zero-shot transfer，并将其放在30个不同的数据集上进行测试，其表现出了强大的迁移能力。

1.Contrastive pre-training部分

在这里对提取的文本特征和图像特征进行对比学习，先分别对N对图像-文本对进行encoder，得到的两个特征进行线性映射到相同的维度，并进行L2归一化，然后计算文本特征和图像特征的余弦相似性（cosine similarity），最终得到的矩阵，矩阵的对角线元素为正样本（共有N个），其余非对角线元素为负样本（有N²-N个），实现该部分的伪代码如下：

# image_encoder - ResNet or Vision Transformer
# text_encoder - CBOW or Text Transformer
# I[n, h, w, c] - minibatch of aligned images
# T[n, l] - minibatch of aligned texts
# W_i[d_i, d_e] - learned proj of image to embed
# W_t[d_t, d_e] - learned proj of text to embed 
# t - learned temperature parameter 可训练的参数

I_f = image_encoder(I) #维度为[n, d_i] 提取得到图像特征
T_f = text_encoder(T) #维度为[n, d_t] 提取得到文本特征

# 对两个特征进行线性投射，得到相同维度的特征，并进行l2归一化
I_e = l2_normalize(np.dot(I_f, W_i), axis=1) #最终得到的维度为[n,d_e]
T_e = l2_normalize(np.dot(T_f, W_t), axis=1)

# 计算缩放的余弦相似度：[n, n]
logits = np.dot(I_e, T_e.T) * np.exp(t)

# 对称的对比学习损失：等价于N个类别的cross_entropy_loss
labels = np.arange(n) # 对角线元素的labels  0,1,2,3...n-1
loss_i = cross_entropy_loss(logits, labels, axis=0)#第一维的交叉熵损失函数（横向来看）
loss_t = cross_entropy_loss(logits, labels, axis=1)#第一维的交叉熵损失函数（纵向来看）
loss = (loss_i + loss_t)/2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

作者在Text Encoder上选择了包含63M参数的text transformer，在Image Encoder上选择了5个不同大小的ResNet模型（ResNet50，ResNet101，RN50x4，RN50x16和RNx64）和3个不同大小的ViT（ViT-B/32,ViT-B/16,ViT-L/16）模型。设置的epochs大小为32，使用的是AdamW优化器，并且在训练过程中选择了一个比较大的batch_size：32768，由于数据量较大（4亿），所以训练消耗的资源较多，最终作者选择使用ViT-L/14@336的模型效果最好。

2.zero-shot分类任务

zero-shot进行图像分类，即不需要任何的训练数据，就能直接在下游任务中实现分类任务。CV中目前常用的模型是先在数据集上进行预训练，然后进行微调，而训练好的CLIP可直接进行分类任务。

执行zero-shot分类任务的具体操作：

1.根据任务的n个分类标签，得到n个描述该标签的文本，如：“dog” -> “a photo of a dog”，然后将这些文本送入到text encoder，得到n个class text embedding。

2.将要预测的图片送入到image encoder中，得到image embedding。

3.计算图像特征和n个文本特征的余弦相似度，经过softmax，就可以得到每个类别的概率，概率最大的即预测得到的类别。

分类预测部分的代码如下：

import torch
import clip
from PIL import Image

device = "cuda" if torch.cuda.is_available() else "cpu"
model, preprocess = clip.load("ViT-B/32", device=device)

image = preprocess(Image.open("CLIP3.png")).unsqueeze(0).to(device)#unsqueeze（0）表示在0的位置上增加一维，值为1

text = clip.tokenize(["a diagram", "a dog", "a cat","a glasses","a duck"]).to(device) #将标记写上

with torch.no_grad():
    image_features = model.encode_image(image) #在这里得到图像的feature
    text_features = model.encode_text(text) #在这得到text的feature
    logits_per_image, logits_per_text = model(image, text) #得到余弦分数
    probs = logits_per_image.softmax(dim=-1).cpu().numpy() #在最后一层进行一步softmax

print("Label probs:", probs)  # 输出图片相对于文本的概率值，概率最大的是预测类别
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

zero-shot中一个比较重要的地方是prompt（文本提示）的生成。CLIP中提出了两个方法分别为Prompt engineering和ensembling。Prompt模板为"A photo of a {label}.“,而作者考虑对原context针对不同的分类任务，设定不同的context，如果是宠物的那么Prompt模板为"A photo of a {label}, a type of pet”.并且对于一个数据集还可以做一些ensemble，比如"A photo of a big {label}.“和"A photo of a small {label}.”。（在之后提出CoOp，可以直接训练产生Prompt，得到了更好的效果）。

3.总结

CLIP打破了原有的CV领域模型的设计思路，其一次训练得到的参数可应用到所有的分类任务当中，其使用了文本和图片的对应关系，在30多个数据集上效果相当于CNN网络中的Resnet50，并且迁移性强，鲁棒性好。