论文《Exploring to Prompt for Vision-Language Models》阅读

论文概况

今天带来的论文是《Exploring to Prompt for Vision-Language Models》，主题是基于CLIP的VLPT（Vision-Language Pre-Training）模型的提示学习（Prompt Learning），论文提出框架 CoOp （Context Optimization），通过一个简单的提示向量自动学习的idea，完成了相当不错的结果。

论文由南洋理工S-Lab发表，发表在IJCV上（2022）。

论文地址：https://arxiv.org/abs/2109.01134
代码地址：https://github.com/KaiyangZhou/CoOp

论文动机（Intro）

诸如 CLIP 和 ALIGN 等 VLPT模型证明了这种 文本-图像对齐的大模型的巨大潜力。通过 提示 （Prompting），VLPT可以很好地用于下游任务。

提示学习的重要性：随随便便改动一下prompt，即使意思相同，模型的表现也会有很大的不同。如下图所示：

a photo of [CLASS]
a photo of a [CLASS]

即使只是差一个“a”，在结果上也能体现出5个点左右的差异。
其余的观察：
（1）如加入描述性后缀，如“a type of flower”，“texture”，也会影响分类表现；
（2）加入描述性前缀也会影响推荐性能，如“a centered satellite photo”

基于上述观察，作者提出了CoOp，共包含两个implementations:

• Unified Context，即针对不同的class使用同一套prompt，不单独进行区分
• Class-specific Context，即针对单独的分类class单独一套prompt embedding

Methodology

Preliminary

CLIP的大致流程：
text encoder（通常为Transformer）负责对文本进行编码（对于分类任务，具有多个分类class的文本，通过将其融入prompt，输入text encoder）；
image encoder（通常为ResNet或ViT）负责对图片进行编码；
通过cosine对比相似度，完成下游的分类任务

这里统一介绍一下符号并介绍一下基本设置：

（1）prompt处理：对于模板“a photo of [CLASS]”，当前的label如果是“dog”，那么先替换进去，生成“a photo of dog”，在前面后面分别加上特殊标记token，生成“[SOS] a photo of dog [EOS]”，prompt最多容纳77个token（CLIP限制）。Transformer将其映射成512维的embedding，[EOS]作为整个prompt句子的代表被用于后续的对比（需要通过 Layer Normalization 操作和 Linear Projection Layer）

（2）Training： CLIP经历了共计 400 million个 高质量 图片-文本对的预训练过程

（3）Zero-Shot 推理：CLIP蕴含了大量的先验知识，$\mathbf{f}$ 代表图片 $x$ 的 encoding 向量，对于 $K$ 个分类对应的prompt，CLIP 输出了 { w } i = 1 K \{\mathbf{w}\}_{i=1}^{K} {w}i=1K​ 共 $K$ 个 text encoding embedding。然后通过一个 softmax 进行相似度计算：

$$p(y=i\mid \mathbf{x})=\frac{\exp \left(\cos \left({\mathbf{w}}_{\mathbf{i}},\mathbf{f}\right)/\tau \right)}{{\sum }_{j=1}^K\exp \left(\cos \left({\mathbf{w}}_{\mathbf{j}},\mathbf{f}\right)/\tau \right)},$$
其中，$\tau$ 是温度系数，这个宏参一般还挺重要。

CoOp

事实上，CoOp 就只是把原来离散的 prompt （是指通过人手动输入）更改为一些需要学习的连续向量。形式上表现为以下格式：

[CLASS]位置

（1）放在末尾：

$$\mathbf{t}=[\mathrm{V}{]}_1[\mathrm{V}{]}_2\dots [\mathrm{V}{]}_M[\mathrm{CLASS}]$$

（2）放在中间：
$$\mathbf{t}=[\mathrm{V}{]}_1\dots [\mathrm{V}{]}_{\frac{M}{2}}[\mathrm{CLASS}][\mathrm{V}{]}_{\frac{M}{2}+1}\dots [\mathrm{V}{]}_M$$

Context 是否跨 class 共享

（A）多个 class 共享一套参数，即：

$$[\mathrm{V}{]}_1^i[\mathrm{V}{]}_2^i\dots [\mathrm{V}{]}_M^i=[\mathrm{V}{]}_1^j[\mathrm{V}{]}_2^j\dots [\mathrm{V}{]}_M^j$$
其中 $i\ne j$ and i , j ∈ { 1 , … , K } i, j \in\{1, \ldots, K\} i,j∈{1,…,K}.

这种叫做 Unified Context；

（B）不同 class 不共享，单独一套embedding，即：

$$[\mathrm{V}{]}_1^i[\mathrm{V}{]}_2^i\dots [\mathrm{V}{]}_M^i\ne [\mathrm{V}{]}_1^j[\mathrm{V}{]}_2^j\dots [\mathrm{V}{]}_M^j$$
其中 $i\ne j$ and i , j ∈ { 1 , … , K } i, j \in\{1, \ldots, K\} i,j∈{1,…,K}.

这种叫做 Class-Specific Context （CSC）。

表示和训练

上述两个分别进行排列组合，得到 1A ; 1B; 2A; 2B 四种格式，用于后面实验进行分析。

针对不同的 class 进行相似度比照：

$$p(y=i\mid \mathbf{x})=\frac{\exp \left(\cos \left(g\left({\mathbf{t}}_i\right),\mathbf{f}\right)/\tau \right)}{{\sum }_{j=1}^K\exp \left(\cos \left(g\left({\mathbf{t}}_j\right),\mathbf{f}\right)/\tau \right)}$$

通过 cross-entropy 计算分类损失，通过梯度传播更新提到的$\{[\mathrm{V}{]}_1^i[\mathrm{V}{]}_2^i\dots [\mathrm{V}{]}_M^i{\}}_{i=1}^K$。

Experiments

这部分简要介绍结果，不再过多赘述

Overall Comparison

整体上来讲，CoOp表现随着 k-shot 中 k 的提高性能不断提高，且基本能够超过 zero-shot 的 CLIP 的表现，一开始比不过应该也正常，毕竟 embedding 还没学到什么东西；在OxfordPets和Food101上不太理想，作者推测是数据集质量不太高；另外，unified基本好过CSC（大部分情况，也有例外）。

具体提高统计为：

如上所说，Food101表现失准。

Domain Generalization

可迁移性，分别通过在 ImageNet 上训练，并在相关的 ImageNetV2，ImageNet-Sketch，ImageNet-A，ImageNet-R 数据集上进行测试，结果如下：

Context Length (M) 和 backbone选择

基本上， $M=8$ 或者 $M=16$ 效果较好；
ViT-B/16 作为 图像编码器 效果更好些。

和 Prompt Ensembling的比较

Prompt Ensembling 就是将 好几个 prompt 对应的分类器进行组合，从而用于提高分类效果。
结果如下：

与精调模型进行比较

CoOp表现好于其他精调结果，而且精调结果提升不大，退步反而不小。

可解释性

作者在语义空间中，通过比较相似性（欧氏距离），找到与最终任务最相关的 token，看看有没有语义上的可解释性。

总结

本文提出了 CoOp， 一个针对 CLIP 的 Prompt Learning 方法，方法简单但是有效。