【提示学习论文六】MaPLe: Multi-modal Prompt Learning论文原理

文章目录

[MaPLe: Multi-modal Prompt Learning 多模式提示学习](#MaPLe: Multi-modal Prompt Learning 多模式提示学习)
文章介绍
动机
[MaPLe:Multi-modal Prompt Learning 模型结构](#MaPLe:Multi-modal Prompt Learning 模型结构)
- [1、Deep Language Prompting 深度语言提示](#1、Deep Language Prompting 深度语言提示)
- [2、Deep Vision Prompting 深度视觉提示](#2、Deep Vision Prompting 深度视觉提示)
- [3、Vision Language Prompt Coupling 视觉语言提示耦合](#3、Vision Language Prompt Coupling 视觉语言提示耦合)
- - 提示耦合过程
实验
- [1、通过V-L prompts prompting CLIP](#1、通过V-L prompts prompting CLIP)
- 2、基类到新类的泛化
- 3、跨数据集评估
- 4、域泛化
- 5、消融实验
总结

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。

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

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。