可解釋性CLIP：架構解釋及其在分割中的應用
可解釋性是人工智能模型的關鍵話題之一。最近的復雜人工智能傾向于成為一個黑盒算法，使得人類難以理解人工智能為何提供這些結果。最近，我讀了一篇論文，“通過增強開放詞匯任務的可解釋性進行CLIP手術”[1]，主要關于CLIP的可解釋技術。盡管這篇論文展示了CLIP的極佳可解釋性，但很少有博客對此進行解釋。因此，我將在這篇博客中介紹CLIP_Surgery的架構及其應用。
快速回顧CLIP
CLIP是由OpenAI[2]開發的改變游戲規則的人工智能之一。得益于其獨特的架構，它能夠進行零樣本圖像分類。架構如下所示：
CLIP具有圖像和文本編碼器，用于創建圖像和文本嵌入。訓練數據是圖像和文本對，例如帶有文本“一只狗的照片”的狗的圖像。它利用對比預訓練來對齊圖像和文本嵌入，如果圖像和文本是一對，則對齊，如果不是一對則不進行對齊。為了直觀理解，讓我們考慮以下示例。在這個示例中，我們使用三個圖像和文本對（上圖中的N = 3）。
圖像和文本編碼器輸出的嵌入維度始終是（1,512），每個圖像和文本都是如此。在這個示例中，我們有維度為（3,512）的圖像和文本嵌入。使用嵌入的余弦相似度，我們可以計算相似度矩陣，如上圖中的矩陣。在對比預訓練中，CLIP利用這個相似度矩陣來對齊匹配對（=對角線元素）使其相似，而其他對（=其他元素）則變得不相似。具體來說，論文[2]中的偽代碼過程如下：
# 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
# extract feature representations of each modality
I_f = image_encoder(I) #[n, d_i]
T_f = text_encoder(T) #[n, d_t]
# joint multimodal embedding [n, d_e]
I_e = l2_normalize(np.dot(I_f, W_i), axis=1)
T_e = l2_normalize(np.dot(T_f, W_t), axis=1)
# scaled pairwise cosine similarities [n, n]
logits = np.dot(I_e, T_e.T) * np.exp(t)
# symmetric loss function
labels = np.arange(n)
loss_i = cross_entropy_loss(logits, labels, axis=0)
loss_t = cross_entropy_loss(logits, labels, axis=1)
loss = (loss_i + loss_t)/2計算圖像和文本嵌入的余弦相似度后，它們應用交叉熵損失，使得相似度矩陣中的對角線元素變為一，其他元素變為零。作者稱這種計算為對比損失。CLIP僅通過這種對比損失進行訓練。
對于零樣本分類，過程如下。首先，我們輸入n個候選文本并獲得維度為（n,512）的嵌入。接下來，我們計算目標圖像嵌入和候選文本嵌入之間的相似性。最后，我們可以選擇最相似的候選作為類別。不是很簡單嗎？
這個過程簡單直觀，但我們需要用數百萬的圖像和文本對以及數百個GPU來訓練CLIP。從原始論文中，他們使用了非常大的小批量大小32,768，并在592個V100 GPU上訓練了18天。因此，許多公司將這個模型作為基礎模型，而不是從頭開始訓練。
CLIP手術算法的解釋
CLIP手術主要是為了增強CLIP結果的可解釋性而開發的。令人驚訝的是，CLIP手術可以在沒有任何額外訓練的情況下可視化對應標簽的激活圖。由于其良好的激活圖可視化，這種技術可以應用于“分割任何事物”，這是分割任務的基礎模型。我將在后面的章節中介紹應用。
作者徹底檢查了注意力層，以實現無需訓練的良好可解釋性。請參見下圖。
左側顯示了原始CLIP的注意力層，而右側顯示了CLIP手術的注意力層。他們明確指出，查詢-鍵自注意力激活了與標簽相對應的相反語義區域。另一方面，值-值自注意力可以只關注語義區域。這是什么意思？下圖顯示了查詢-鍵自注意力和值-值自注意力的激活圖可視化。
如您所見，查詢鍵自注意力除了目標標簽區域外，還可視化了不相關的區域。相反，值-值自注意力可以專注于相應的目標標簽區域?；趯嶒灒樵?鍵自注意力可能導致特征圖混淆。請注意，這一事實是啟發式的，并非由數學定理推導出來。
此外，他們意識到激活圖在所有標簽中具有冗余特征。請參見下圖。
如您所見，冗余區域在跨標簽的相同位置出現。因此，他們想出了一個主意，即通過移除所有標簽中的共同激活區域來移除冗余特征。
他們是如何實現的？具體來說，官方實現如下：
# weights to restrain influence of obvious classes on others
# (batch_size, 1, 512) @ (the number of labels, 512).T = (batch_size, 1, the number of labels)
prob = image_features[:, :1, :] @ text_features.t()
# prob has (batch_size, 1, the number of labels)
prob = (prob * 2).softmax(-1)
# w has (batch_size, 1, the number of labels)
w = prob / prob.mean(-1, keepdim=True)
# element-wise multiplied features
# b is batch_size
# n_t is the number of labels
# n_i is the number of tokens (=197)
# c is the feature dimension (=512)
b, n_t, n_i, c = image_features.shape[0], text_features.shape[0], image_features.shape[1], image_features.shape[2]
# feats has (batch_size, n_i, n_t, c)
feats = image_features.reshape(b, n_i, 1, c) * text_features.reshape(1, 1, n_t, c)
feats *= w.reshape(1, 1, n_t, 1)
# redundant_feats has (batch_size, n_i, n_t, c)
redundant_feats = feats.mean(2, keepdim=True) # along cls dim
feats = feats - redundant_feats
# sum the element-wise multiplied features as cosine similarity
# similarity has (batch_size, n_i, n_t)
similarity = feats.sum(-1)為了更好地演示，我為代碼中的每次計算添加了維度大小轉換。現在，讓我們一步一步地弄清楚。
第一個模塊計算權重向量，以保持每個類別的影響相等。首先，我們從圖像嵌入中提取類別標記。在變換器架構中，類別標記是標記維度中的第一個。請注意，類別標記應該包含有關所有其他標記的信息（如果您不熟悉視覺變換器，可以參考這篇博客[5]）。然后，我們計算余弦相似度并獲得相似度矩陣。接下來，我們將相似度矩陣的值轉換為標簽維度上的概率，并獲取權重矩陣。
在第二個模塊中，我們計算除了冗余特征之外的特征矩陣。首先，我們計算圖像和文本嵌入的逐元素特征矩陣。直觀地說，跨標簽的激活區域在這張圖中將具有更高的值，如上圖所示。因此，我們可以通過在標簽上計算平均值從特征矩陣中獲得冗余特征。從原始特征矩陣中減去冗余特征后，我們可以獲得純凈的特征矩陣。
在最后一個模塊中，我們通過沿特征維度對特征矩陣求和來獲得相似度矩陣。
對于特征圖可視化，我們需要將相似度矩陣歸一化、重塑和插值到輸入圖像大?。梢陨院髾z查使用附加代碼的實現）作為后處理。下圖顯示了CLIP手術的結果。
如您所見，它可以捕獲與標簽相對應的語義區域。您可以感受到這種可視化的強大之處。
到目前為止，我們已經看到了CLIP手術的詳細算法。在最后一節中，我們將檢查其對現實世界數據的能力及其應用。
應用：檢查現實世界數據的能力以及為“分割任何事物”提供點
在最后一節中，我將指導您了解CLIP手術在現實世界數據和“分割任何事物”（SAM）中的應用。讓我們深入了解它們！
1.環境設置
作為第一步，您需要設置一個環境。我使用了ubuntu20.04、cuda11.7和Python3.10環境。首先，我使用conda創建虛擬環境。
conda create --name sam python==3.10 -y
conda activate sam
conda install pip
## optional: To avoid install libraries on the local environment,
## check the which pip will be used to store libraries
which pip
# I use /opt/conda/envs/sam/bin/pip in my enviornment.接下來，您需要按照官方說明安裝Pytorch和torchvision。您可以安裝與您的環境相對應的版本。例如，下面的命令是我的案例。
conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia然后，您需要使用以下命令安裝SAM存儲庫和模型權重。
pip install git+https://github.com/facebookresearch/segment-anything.git
wget https://dl.fbaipublicfiles.com/segment_anything/sam_vit_h_4b8939.pth您還需要安裝CLIP手術存儲庫。
git clone https://github.com/xmed-lab/CLIP_Surgery.git最后，您需要安裝幾個包。您可以通過pip以“pip install <library>”的格式安裝它們。
tqdm==4.66.5
ftfy==6.2.3
matplotlib
opencv-python
regex現在，您已經完成了環境設置。
2.CLIP手術對Flickr30k數據集的能力
首先，我想檢查CLIP手術對現實世界數據的能力，使用Flickr30k數據集[4]。因此，我將比較CLIP和CLIP手術激活圖。我稍后會附上使用的代碼。下圖是比較的結果。
如您所見，原始CLIP無法精確檢測對象，但當對象存在時，CLIP手術可以檢測與標簽相對應的對象。然而，當對象不存在時，例如貓和植物，CLIP手術仍然存在問題。這個問題的一個原因是后處理中的最小-最大歸一化。當激活圖中只有不相關區域時，最小-最大歸一化可能會增強它們值之間的差異。為了解決這個問題，我們可以在最小-最大歸一化之前簡單地添加一個閾值。在Flickr數據集的情況下，相關區域值的閾值是0.1以上，這是通過相似度圖的直方圖檢查的。結果如下所示。
多虧了閾值，我們可以移除不相關的區域。閾值可能根據數據集而變化；因此，我們應該使用直方圖檢查并找到該值。
3.為“分割任何事物”提供點
由于激活圖可視化的精確性，CLIP手術可以應用于“分割任何事物”的點提供器。供您參考，SAM是Meta在2023年開發的分割基礎模型之一。下圖顯示了架構。
SAM的分割能力令人難以置信。然而，它不是通過帶有標簽的分割數據集訓練的，所以我們需要在指定對象時提供一些點、邊界框或掩碼。正如您所猜，這些類型的注釋非常耗時。在這里，CLIP手術幫助我們自動找到點。讓我們看看如何在實際實現中結合CLIP手術和SAM。
為了為SAM生成點，我們對激活圖進行下采樣并對值進行排序以選擇相關區域。在官方實現中，他們使用維度為（7 x 7）的激活圖來找到最相關的區域。當目標對象不存在時也存在問題，所以我稍微修改了原始實現，添加了一個閾值。結果如下所示。
橙色點指的是與標簽相關的點，而藍色點代表標簽的負點。如您所見，它可以以相當準確的精度檢測目標標簽坐標。請注意，點的準確性來自CLIP的能力。因此，如果CLIP不理解目標，它無法準確提供目標點。我將附上在此應用中使用的Jupyter筆記本。
詳細代碼可以參考鏈接：https://gist.github.com/tanukon/55715b577a32998f3417e7cea268c658#file-clip_surgery_experiment-ipynb
