Classification

Self-training with Noisy Student improves ImageNet classification

CVPR2020

Method

在有标签数据上训练Teacher,在无标签数据上预测伪标签
用有标签数据和伪标签数据从头训练一个Student模型，Student模型
把Student当成Teacher，迭代，效果最好的是迭代三次

特别的地方在于：

model noise: Student比Teacher大，多了Dropout和stochastic depth(训练时，重复的block中，某些会被设置成identity)
data noise:训练数据加Data augumentation（）
一些trick：
- Teacher网络置信度低的，不会用于训练；
- ImageNet每个类的图像数量差不多，因此带伪标签的unlabel data也在类别上做了平衡，数量多的类只保存一部分，数量少的类多复制几份

效果

感觉其实这些操作平平无奇，效果比有监督的EfficientNet-L2（480M，85.5%）提升了一点：（480M，88.7%）

Meta Pseudo Labels

Motivation

使用伪标签无监督学习的方法，因为伪标签可能是错的，所以Student不能超越Teacher，如果能让Teacher在过程中也得到训练，输出更好的标签，Student就有希望输出更好的结果。

Method

在有标签数据上先训练一个Teacher，在无标签数据上预测伪标签
用伪标签数据训练Student
Student在有标签数据上测试，得到Loss
Teacher根据Student在有标签数据上的Loss，对自身权重进行修正（关键就在于如何修正）

Detail

假如用伪标签方案训练Student，那么训练目标可以这样表示： $\theta_{S}^PL = argmin_{\theta_S} L_u(\theta_T, \theta_S)$

其中， $L_u(\theta_T, \theta_S) = E_{x_u}[CE(T(x_u; \theta_T), S(x_u; \theta_S))]$

如果根据Student在有标签数据集上的表现，优化Teacher，那这个目标可以表示为： $min_{\theta_T} L_l (\theta_{S}^{PL}(\theta_T))$

其中， $\theta_{S}^{PL}(\theta_T)$ 就是伪标签方案下，在Teacher网络的参数 $\theta_T$ 下，优化出的最优Student参数，即 $argmin_{\theta_S} L_u(\theta_T, \theta_S)$

所以问题就在于如何解这个优化问题： $min_{\theta_T} L_l (\theta_{S}^{PL}(\theta_T))$ ，

首先 $\theta_{S}^{PL}(\theta_T)$ 可以通过梯度下降法迭代得到，但它是一个多步的优化过程才能得到的结果，我们用单步优化的结果来近似： $\theta_{S}^{PL}(\theta_T)=\theta_S - \eta_S * \triangledown_{\theta_S}L_u(\theta_T, \theta_S)$ ，那么优化目标就变成了： $min_{\theta_T} L_l (\theta_S - \eta_S * \triangledown_{\theta_S}L_u(\theta_T, \theta_S))$ ;

那么每在伪标签数据上更新一次Student，就可以在有标签数据上算出Teacher的权重更新量，对Teacher进行更新： $\theta_T=\theta_T-\eta_T\triangledown_{\theta_T} L_l (\theta_S - \eta_S * \triangledown_{\theta_S}L_u(\theta_T, \theta_S))$ ，其中两个梯度都是对CE求导，因此这个更新量可以很容易地求出来；

辅助Loss

单独用上面的方法已经可以得到不错的结果了，但如果在训练的时候，配合其他Loss训练，效果更佳；文中提及了unsupervised domain adaption的一些方法，可以在论文附录查询到。

效果

在ImageNet上首次干到了90.2%的top1 ACC

EfficientNet: Rethinking model scaling for convolutional neural networks

Motivation

这篇论文我更愿意称其为实验报告，研究了如何扩展网络的input resolution, width(channel数)， depth(layer数)，才能得到性价比最高的网络

Observation

这篇文章基于两个observation来调整网络规模：

增加输入/宽度/深度，都能提高模型效果，但存在边际效应，加的太多提升不明显；
因此，与其把多出来的算力堆在单个维度上，不如同时扩张三个维度；

Method

具体的扩张策略如下：

假设depth变成 $\alpha$ 倍，那么FLOPS会变为 $\alpha$ 倍，假设width(卷积的输入和输出通道数)变为 $\beta$ 倍，那么FLOPS会变为 $\beta^2$ 倍，假设输入宽度变为 $\gamma$ ，那么FLOPS变为 $\gamma^2$ ；
我们希望调整参数后，FLOPS变为 $2^{\phi}$ ，那么就要求 $\alpha * \beta^2 * \gamma^2=2$ ，因此具体的调整策略就变成了：
depth: $d=\alpha^\phi$
width: $w=\beta^\phi$
resolution: $r = \gamma^\phi$
st: $\alpha * \beta^2 * \gamma^2=2$ , $\alpha>1, \beta>1, \gamma>1$

Network

在各种基础网络上试了这个策略，发现Mnas上改出来的最好，网络结构大概长这样，但是size会有所不同，比如EfficientNet-B0就是

Result

MLP-Mixer: An all-MLP Architecture for Vision

使用MLP代替卷积，保留skip connection和normalization，在ImageNet上最高达到87.94%

Method

将图像分成S个PxP大小的patch，每个patch（n c p p） reshape成(n c p*p)的tensor
用一个矩阵乘法先将每个patch处理一下reproject到n C,所有 patch合起来就是n S * C的tensor X
接下来开始mlp：
- $U=X+W_2\sigma(W_1 Layer Norm(X))$
- 对X做layer norm
- 先对每个patch做乘法， $WX$ ，变成 $n*S1*C$
- 做一个非线性变换 $\sigma$ ，这里用的是GELU
- 再做一个乘法，从 $n*S1*C$ 变成 $n*S*C$
- 再做一个残差加上X
- 这里不同channel之间的权重是共享的，用来减少参数数量
- 由于中间token数量变了，patch数目没变，起一个花里胡哨的名字，把patch叫做token，乘法叫做token-mixing，也就是将同个通道不同token先混合一下
- 再做一个MLP： $Y=U+W_4\sigma(W_3 Layer Norm(U))$
- 也是一样的操作，不同之处在于中间是channel数量变了，后面又变回来，所以叫channel-mixing
每个mlp-mixer block都做四次乘法，把 $n*S*C$ 的tensor变成 $n*S*C$
网络最后接一个Global Average Pooling做分类
训练的时候也是一样预训练+finetune

MLP-Mixer的卷积本质

一开始分不同patch，其实就是一个 $P*P$ ，stride为 $P*P$ 的卷积
不同位置相同通道的混合，可以用深度可分离卷积代替
·- 同个位置不同通道的混合，可以用一个1x1的卷积代替

上一页Papers 下一页Re-identification

最后更新于3年前