Learning and Leveraging World Models in Visual Representation Learning

Learning and Leveraging World Models in Visual Representation Learning

相关链接:arxiv

关键字:学习世界模型视觉表示学习自监督学习JEPAImage World Models

摘要

本文探索了在自监督视觉表示学习中学习和利用世界模型的方法。作者引入了图像世界模型(Image World Models, IWM),一种学习预测全局光度变换效果的新方法。作者发现有效的IWM模型取决于多种因素,包括条件设置、预测难度和容量。此外,通过微调,IWM可以适应不同的任务,甚至在图像分类和语义分割等任务上与或超越了先前的自监督方法。实验证明,通过IWM学习,可以控制所学表示的抽象级别,能够学习到如对比学习方法中的不变表示,或如遮蔽图像建模的等变表示。

核心方法

IWM建模框架JEPA(Joint-Embedding Predictive Architecture)的核心在于学习一个通过预测来利用世界模型的能力,包括以下方面:

  • 条件设置:通过为预测器提供关于目标的几何信息(例如屏蔽tokens)和变换参数ax→y进行调整。
  • 预测难度:通过使用数据增强来创建目标和源视图,增加了预测的复杂性。
  • 容量:确定了深度的预测器模型以学习适当的变换,以此学习强大的世界模型。

作者通过多种实验测量了这些构建一个强大IWM的关键要素,从而在表示学习中实现良好的性能。

实验说明

以下是对该文中所提方法的实验性能比较的一个展示:

方法 Epochs 无预测器 固定编码器微调预测器 端到端
MAE 300 82.7 82.4 83.3
I-JEPA 300 83.0 82.0 82.0(预训练)
IWMInv (12,384) 300 83.3 82.7 83.3(预训练)
IWMEqui (18,384) 300 82.9 84.4 84.4(预训练)

实验中使用ImageNet进行评估,对比拉动MAE、I-JEPA等方法,以及对IWM的不变和等变世界模型的表现。从表中可以看出,良好的IWM在固定编码器的情况下微调预测器可以达到相当甚至超过单纯微调编码器的性能。

此外,作者还探索了多任务预测器微调,即预测器可以被微调应用于多个任务上,而且综合性能没有明显下降。这展示了世界模型的通用性和适用性。

结论

本文提出了图像世界模型IWM作为学习自监督视觉表示的新框架。考虑到世界模型条件设置、预测任务的复杂性和预测器的容量都对学习性能有显著影响,作者提出不抛弃在表示学习中学到的世界模型,而是在下游任务中进一步利用微调。实验证明该方法在多项视觉任务中表现良好,为自监督视觉表示学习提供了新的方向。

相关推荐
jackylzh36 分钟前
深度学习中, WIN32为 Windows API 标识,匹配 Windows 系统,含 32/64 位
人工智能·python·深度学习
新加坡内哥谈技术3 小时前
Claude Code 的魔力
人工智能
北邮刘老师4 小时前
关于智能体互联协议标准的130天
人工智能·大模型·智能体·智能体互联网
一条星星鱼5 小时前
深度学习是如何收敛的?梯度下降算法原理详解
人工智能·深度学习·算法
Elastic 中国社区官方博客5 小时前
AutoOps:简单的 Elasticsearch 集群监控与管理现已支持本地部署
大数据·人工智能·elasticsearch·搜索引擎·云计算·全文检索
金井PRATHAMA7 小时前
语义网络对人工智能自然语言处理中深层语义分析的影响与启示
人工智能·自然语言处理·知识图谱
程序猿阿伟8 小时前
《重构工业运维链路:三大AI工具让设备故障“秒定位、少误判”》
运维·人工智能·重构
yueyuebaobaoxinx8 小时前
聚焦技术落地,展现 AI 重构产业的实践路径。
人工智能·重构
算家云8 小时前
Sora 2 的社交野心:AI 如何重构内容社交产品逻辑?
人工智能·openai·算家云·租算力,到算家云·sora 2·ai社交
飞哥数智坊8 小时前
Qwen3 Omni 的“全模态”,到底和多模态有啥不一样?
人工智能