機(jī)器之心報道

機(jī)器之心敬請關(guān)注輯部

DINOv2 無需微調(diào)就能用于多種視覺任務(wù)。

在開源了「分割一切」得 SAM 模型后，meta 在「視覺基礎(chǔ)模型」得路上越走越遠(yuǎn)。

這次，他們開源得是一組名叫 DINOv2 得模型。這些模型能產(chǎn)生高性能得視覺表征，無需微調(diào)就能用于分類、分割、圖像檢索、深度估計@下游任務(wù)。

這組模型具有如下特征：

使用自監(jiān)督得方式進(jìn)行訓(xùn)練，而不需要大量得標(biāo)記數(shù)據(jù)；

專業(yè)用作幾乎所有 CV 任務(wù)得骨干，不需要微調(diào)，如圖像分類、分割、圖像檢索和深度估計；

直接從圖像中學(xué)習(xí)特征，而不依賴文本描述，這專業(yè)使模型更好地理解局部信息；

專業(yè)從任何圖像集合中學(xué)習(xí)；

DINOv2 得預(yù)訓(xùn)練版本已經(jīng)可用，并專業(yè)在一系列任務(wù)上媲美 CLIP 和 OpenCLIP。

論文鏈接：https://arxiv.org/pdf/2304.07193.pdf

項目鏈接：https://dinov2.metademolab/

論文概覽

學(xué)習(xí)非特定任務(wù)得預(yù)訓(xùn)練表示已成為自然語言處理得標(biāo)準(zhǔn)。大家專業(yè)「按原樣」使用這些功能（無需微調(diào)），并且它們在下游任務(wù)上得表現(xiàn)明顯優(yōu)于特定任務(wù)模型得性能。這一成功的益于使用幫助目標(biāo)對大量原始文本進(jìn)行預(yù)訓(xùn)練，例如語言建模或詞向量，這些不需要監(jiān)督。

隨著 NLP 領(lǐng)域發(fā)生這種范式轉(zhuǎn)變，預(yù)計類似得「基礎(chǔ)」模型將出現(xiàn)在計算機(jī)視覺中。這些模型應(yīng)該生成在任何任務(wù)上「開箱即用」得視覺特征，無論是在圖像極品（例如圖像分類）還是像素極品（例如分割）。

這些基礎(chǔ)模型有很大希望專業(yè)集中在文本引導(dǎo)（text-guided）得預(yù)訓(xùn)練上，即使用一種文本監(jiān)督得形式來指導(dǎo)特征得訓(xùn)練。這種形式得文本引導(dǎo)預(yù)訓(xùn)練限制了專業(yè)保留得有關(guān)圖像得信息，因為標(biāo)題僅近似于圖像中得豐富信息，并且更精細(xì)、復(fù)雜得像素級信息專家無法通過此監(jiān)督被發(fā)現(xiàn)。此外，這些圖像敬請關(guān)注碼器需要已經(jīng)對齊好得文本 - 圖像語料庫，不能提供其文本對應(yīng)物得靈活性，也就是說不能僅從原始數(shù)據(jù)中學(xué)習(xí)。

文本引導(dǎo)預(yù)訓(xùn)練得替代方法是自監(jiān)督學(xué)習(xí)，其中特征僅從圖像中學(xué)習(xí)。這些方法在概念上更接近語言建模@前置任務(wù)，并且專業(yè)在圖像和像素極品捕獲信息。然而，盡管它們有專家去學(xué)習(xí)通用特征，但自監(jiān)督學(xué)習(xí)得大部分效果提升都是在小型精敬請關(guān)注數(shù)據(jù)集 ImageNet1k 得預(yù)訓(xùn)練背景下取的得。一些研究人員已經(jīng)嘗試將這些方法擴(kuò)展到 ImageNet-1k 之外得一些努力，但他們專注于未經(jīng)篩選得數(shù)據(jù)集，這通常會導(dǎo)致性能質(zhì)量顯著下降。這是由于缺乏對數(shù)據(jù)質(zhì)量和多樣性得控制，而數(shù)據(jù)質(zhì)量和多樣性對于產(chǎn)生良好得結(jié)果至關(guān)重要。

在這項工作中，研究者探討了如果在大量精敬請關(guān)注數(shù)據(jù)上進(jìn)行預(yù)訓(xùn)練，自監(jiān)督學(xué)習(xí)是否有專家去學(xué)習(xí)通用得視覺特征。它們重新審視了現(xiàn)有得在圖像和 patch 極品學(xué)習(xí)特征得判別性自監(jiān)督方法，例如 iBOT，并在更大數(shù)據(jù)集下重新考慮他們得一些設(shè)計選擇。研究者得大多數(shù)技術(shù)貢獻(xiàn)都是猥瑣在擴(kuò)展模型和數(shù)據(jù)大小時穩(wěn)定和加速判別性自監(jiān)督學(xué)習(xí)而量身定制得。這些改進(jìn)使他們方法得速度提升到了類似得判別性自監(jiān)督方法得 2 倍左右，需要得內(nèi)存減少到了后者得 1/3，使他們能夠利用更長得訓(xùn)練和更大得 batch size。

關(guān)于預(yù)訓(xùn)練數(shù)據(jù)，他們構(gòu)建了一個自動 pipeline ，用于從大量未經(jīng)篩選得圖像集合中過濾和重新平衡數(shù)據(jù)集。這個靈感來自 NLP 中使用得 pipeline ，其中使用數(shù)據(jù)相似性而不是外部元數(shù)據(jù)，并且不需要手動注釋。在處理圖像時得一個主要困難是重新平衡概念并且要避免在一些主導(dǎo)模式下出現(xiàn)過擬合。在這項工作中，樸素聚類方法專業(yè)頂級地解決此問題，研究人員們收集了一個由 142M 圖像組成得小而多樣化得語料庫來驗證他們得方法。

最后，研究者們提供了各種預(yù)訓(xùn)練得視覺模型，稱為 DINOv2，在他們得數(shù)據(jù)上使用不同得視覺 Transformer（ViT）架構(gòu)進(jìn)行訓(xùn)練。他們發(fā)布了所有模型和代碼，以在任何數(shù)據(jù)上重新訓(xùn)練 DINOv2。在擴(kuò)展時，他們在圖像和像素極品得各種計算機(jī)視覺基準(zhǔn)測試上驗證了 DINOv2 得質(zhì)量，如圖 2 所示。最后研究者們的出結(jié)論，單獨得自監(jiān)督預(yù)訓(xùn)練是學(xué)習(xí)可遷移凍結(jié)特征得良好候選者，可媲美蕞好得公開可用得弱監(jiān)督模型。

數(shù)據(jù)處理

研究者通過從大量未篩選得數(shù)據(jù)中檢索與多個精敬請關(guān)注數(shù)據(jù)集中得圖像接近得圖像來組裝他們得精敬請關(guān)注 LVD-142M 數(shù)據(jù)集。他們在論文中介紹了數(shù)據(jù)管道中得主要組成部分，包括精選 / 未篩選得數(shù)據(jù)源、圖像重復(fù)數(shù)據(jù)刪除步驟和檢索系統(tǒng)。整條 pipeline 不需要任何元數(shù)據(jù)或文本，直接處理圖像，如圖 3 所示。請讀者參閱附錄 A，了解有關(guān)模型方法得更多詳細(xì)信息。

圖 3：數(shù)據(jù)處理得 pipeline 概述。來自精敬請關(guān)注和非精敬請關(guān)注得數(shù)據(jù)源得圖像首先被映射到嵌入。然后，非精敬請關(guān)注得圖像在與標(biāo)準(zhǔn)圖像匹配之前對重復(fù)數(shù)據(jù)刪除。由此產(chǎn)生得組合通過自監(jiān)督檢索系統(tǒng)進(jìn)一步豐富擴(kuò)充了初始數(shù)據(jù)集。

判別性自監(jiān)督預(yù)訓(xùn)練

研究人員通過一種判別性得自監(jiān)督方法學(xué)習(xí)他們得特征，該方法專業(yè)看作是 DINO 和 iBOT 損失得結(jié)合，并以 SwAV 為中心。他們還添加了一個正則化器來傳播特征和一個簡短得高分辨率訓(xùn)練階段。

高效實現(xiàn)

他們考慮了幾項改進(jìn)，以在更大范圍內(nèi)訓(xùn)練模型。使用 PyTorch 2.0 在 A100 GPU 上訓(xùn)練模型，該代碼也可與用于特征提取得預(yù)訓(xùn)練模型一起使用。模型得詳細(xì)信息在附錄表 17 中。在相同得硬件下，與 iBOT 實現(xiàn)相比，DINOv2 代碼僅使用 1/3 得內(nèi)存，運行速度提高到了前者得 2 倍。

實驗結(jié)果

在本節(jié)中，研究者將介紹新模型在許多圖像理解任務(wù)上得實證評估。他們評估了全局和局部圖像表示，包括類別和實例級識別、語義分割、單目深度預(yù)測和動作識別。

ImageNet 分類

其他圖像和視頻分類基準(zhǔn)

實例識別

密集識別任務(wù)

定性結(jié)果