当前的问题
CLIP和CLIP-Adapter等方法的一个主要局限性是，它们没有对视觉编码器所编码的底层表示进行显著的修改。原因很简单：微调大型模型需要大量的监督，这在低监督学习设置中是很难获得的。如果下游分类任务的图像来自与互联网常见图像相同的分布，那么这不一定是个问题。然而，如果图像差异显著，例如医学或生物多样性监测图像，那么从视觉编码器提取的表示很可能不适合当前任务。
解决办法
me：动机跟KgCoOp很像。
我们引入了一个新的编码器 E s E_s Es，它在目标数据集上使用自我监督进行训练 。这个编码器的输出是一个特征向量 f s f_s fs，它被输入到一个适配器网络 A s A_s As中。与CLIP-Adapter不同，此适配器的输出不是转换后的特征编码，而是对感兴趣的类的预测， P s ( y ∣ x ) = A s ( f s ) = σ ( ReLU ( f s T W s 1 ) W s 2 ) P_s(y|\textbf{x})=A_s(\textbf{f}_s)=\sigma(\text{ReLU}(\textbf{f}_s^T\textbf{W}_s^1)\textbf{W}_s^2) Ps(y∣x)=As(fs)=σ(ReLU(fsTWs1)Ws2)。然后，我们将这些预测与标准零样本 CLIP模型的输出结合起来， P v ( y ∣ x ) = σ ( f v T W t ) P_v(y|\textbf{x})=\sigma(\textbf{f}_v^T\textbf{W}_t) Pv(y∣x)=σ(fvTWt)，
在训练中我们学习了权重 { W s 1 , W s 2 } \{\textbf{W}_s^1,\textbf{W}_s^2\} {Ws1,Ws2}。我们使用自监督约束目标[9]在目标训练数据集上训练 E s E_s Es，它不需要任何标记数据。虽然在大型数据集上训练 E s E_s Es可能很昂贵，但在实践中，我们从ImageNet初始化模型开始，这导致在相对较小的下游数据集上快速收敛。此外，这个步骤只需要执行一次，因为当可用的监督数量发生变化时，只有适配器 A s A_s As需要重新训练。
混合权重选择
me：挺好的一个思路，动态调整混合参数 λ \lambda λ。
CLIP-Adapte同消融实验选择效果最好的超参数 α \alpha α和 β \beta β。然而，在低样本学习的情况下，任何和所有标记的数据都是宝贵的，并且可能更有价值用于训练而不是超参数选择 。
为了克服这个问题，我们提出了一个概念上简单而有效的方法来选择我们在Eqn. 3中的预测混合权 λ \lambda λ，它不需要任何标记的验证数据。从图1中我们观察到，与Zero-shot CLIP预测相对应的置信度得分在数据集之间差异很大。基于此，在假设CLIP不自信时，我们应该更重地权衡low-shot学习获得的知识 ，我们将 λ \lambda λ定义为类似于CLIP在给定数据集的 N N N个测试图像上的平均预测置信度得分， λ = 1 N ∑ i = 1 N max k P ( y i = k ∣ x i ) \lambda=\frac{1}{N}\sum^N_{i=1}\text{max}_k P(y_i=k|\textbf{x}_i) λ=N1∑i=1NmaxkP(yi=k∣xi)。在我们的实验中，我们将我们的SVL-Adapter方法与现有的方法进行比较，其中我们使用验证数据（'SVL-Adapter '）选择 λ \lambda λ，或者我们使用上面概述的CLIP输出（'SVL-Adapter '）估计它。
参考资料
论文下载(BMCV CCF C,2022)
https://bmvc2022.mpi-inf.mpg.de/0580.pdf
https://arxiv.org/abs/2210.03794
