模態(tài)編碼器 | EVA改進之EVA-02
來自智源曹越團隊在EVA的優(yōu)化改進方面的工作EVA-02，項目地址：https://github.com/baaivision/EVA
研究動機如下：在CV領域，訓練、調(diào)優(yōu)和評估非常大的視覺模型需要大量的計算資源，限制了許多研究人員和開發(fā)者的參與。因此，本研究主要目的是提供一種高效且性能強大的預訓練方法，不僅能夠在多種下游任務中展現(xiàn)出色的遷移學習能力，而且還能顯著減少參數(shù)數(shù)量和計算成本。
01、模型架構
EVA-02的基礎是一個改進版的純Transformer架構，該架構在原始ViT的基礎上進行了若干重要的修改，以更好地適應大規(guī)模預訓練任務的需求。這些修改包括norm，參數(shù)初始化，F(xiàn)FN，位置編碼方式，如下表所示：
- 多頭自注意力（MHSA）層：使用MHSA層來捕獲圖像中的全局空間信息。然后相比于相對位置編碼（Relative Position Encoding, RP）引入了旋轉位置編碼（Rotary Position Embedding, RoPE），以增強模型對位置信息的理解。
- 位置感知前饋網(wǎng)絡（FFN）：引入了SwiGLU機制，替代傳統(tǒng)的GELU激活函數(shù)，以增強模型的表達能力。
- 歸一化方案：對于較大的EVA-02模型（如B和L），采用了sub-LN（子層歸一化）作為默認的歸一化方案，去掉了內(nèi)部注意力層的層歸一化（Layer Normalization, LN）。對于較小的模型（如Ti和S），則繼續(xù)使用標準的預歸一化配置。
- 權重初始化：所有TrV（Transformer Vision）塊中的權重都使用Xavier正態(tài)分布初始化，其中MHSA和FFN的權重矩陣是從特定的標準差采樣的高斯分布中抽取的。
02、模型訓練
在預訓練過程中，作者選擇了使用一個具有10億參數(shù)的大型CLIP模型（EVA-CLIP）作為教師模型，以生成目標視覺特征。這一選擇基于一個假設：更大的教師模型能夠提供更魯棒和可遷移的目標表示，從而幫助學生模型（EVA-02）學習到更強的視覺表示。
預訓練數(shù)據(jù)
- 小型模型（EVA-02-Ti, EVA-02-S, EVA-02-B）：使用ImageNet-21K數(shù)據(jù)集進行預訓練，該數(shù)據(jù)集包含1420萬張圖像。
- 大型模型（EVA-02-L）：使用合并的數(shù)據(jù)集進行預訓練，該數(shù)據(jù)集包括ImageNet-21K、CC12M、CC3M、COCO、ADE20K、Object365和OpenImages，總共有3800萬張圖像。
預訓練過程
- 數(shù)據(jù)預處理：輸入圖像被劃分為固定大小的patch。隨機選擇40%的patch并用[MASK]標記替換，形成掩碼圖像。使用塊狀掩碼策略，即一次遮蓋多個相鄰的patch，以模擬自然界的遮擋情況。
- 目標表示：使用EVA-CLIP視覺編碼器提取目標視覺特征，目標特征經(jīng)過歸一化處理，并通過一個線性層投影到與EVA-02模型輸出相同的空間維度。
- 損失函數(shù)：使用負余弦相似度作為損失函數(shù)，衡量模型預測的特征與目標特征之間的相似度。損失函數(shù)定義為：
，其中，
是模型預測的特征，y是目標特征。
預訓練結果
大型教師模型（如EVA-CLIP）生成的目標表示更為復雜和精細。這使得學生模型在短時間內(nèi)難以完全理解和學習這些復雜的表示。因此，學生模型在快速預訓練過程中可能無法充分吸收教師模型的知識，導致性能下降。為了驗證這一假設，作者延長了預訓練的時間，將預訓練周期從300個epoch增加到1600個epoch。結果顯示，隨著預訓練時間的增加，學生模型的性能顯著提升，相對于使用小型教師模型的基線方法，取得了1.3個百分點的提升。另外結構上的改進也會使得模型在較短的預訓練時間內(nèi)也能獲得一定的性能提升。
另外，通過調(diào)整模型大小、圖像分辨率以及通過中間微調(diào)注入標簽可以進一步提高性能，僅使用304M參數(shù)的EVA-02就可以在IN-1K上達到90.0的top-1精度。
03、實驗結果
相比于EVA，EVA-02的性能提升如下：
圖像分類
EVA-02在ImageNet-1K驗證集上取得了90.0%的微調(diào)Top-1準確率，顯著優(yōu)于其教師模型（1011M參數(shù)）和其他現(xiàn)有方法。
對比圖像-文本預訓練（CLIP）
EVA-02-CLIP在ImageNet-1K上的零樣本Top-1準確率達到了80.4%，顯著優(yōu)于之前的最佳開源CLIP模型（參數(shù)量約為六分之一，訓練數(shù)據(jù)量也為六分之一）。
表9進一步證明了該方法在26個額外的zero-shot分類基準上的有效性和穩(wěn)健性。并且EVA-02 -CLIP-L模型，只有1/2的模型大小和1/5的圖像-文本對，比OpenCLIP-H實現(xiàn)了1.2點的提升。
11中表明EVA-02 -CLIP在zero-shot視頻識別基準測試中也相當有效。
目標檢測與實例分割
語義分割
04、總結
蒸餾方向的論文，基本都是為了讓一個小的student網(wǎng)絡在不損失太多性能的前提下，學習到大的teacher網(wǎng)絡的特征。
而在大模型時代，EVA探索了student網(wǎng)絡能達到的規(guī)模上限，并且在測試集上效果略微超過了teacher網(wǎng)絡。伴隨著EVA-01的成功，EVA-02做了更精細的調(diào)整，并且為了變得“可用”，參數(shù)量做了大量的縮減，而性能相比EVA-01有明顯的提升。
為什么EVA蒸餾后的網(wǎng)絡會比teacher網(wǎng)絡有更好的效果呢？個人感覺是CLIP確實足夠強大，而且EVA中student網(wǎng)絡的MIM訓練方式足夠的好。具體而言CLIP在4億的圖文對上做了預訓練，輸出的圖像特征和語言的特征做了對齊，是一種高維的語義信息，而VIT作為一個backbone，更利于提取到低維的結構特征，并且MIM的方式迫使VIT學習遮擋不變的特征，最終的特征具有了很好的魯棒性。
