凯明团队新作。

论文地址：https://arxiv.org/abs/2212.00794

一、问题

Even using high-end infrastructures, the wall-clock training time is still a major bottleneck hindering explorations on scaling vision-language learning.

即使使用高端的基础设施，wall-clock training time仍然是阻碍视觉语言学习规模化探索的主要瓶颈。

二、模型

通过对图像patches的mask，有两点好处：

在相同的wall-clock training time下，从更多的图像-文本对中学习

在相同的内存约束下，对更大的batch有一个对比目标。

1、细节

Image masking.

image encoder采用ViT-L/16，mask patches ratio为50%、75%。mask50%（或者75%）可以将Vit编码的时间复杂度减低1/2(或者1/4)。在同内存成本下，可以采用2* （或者4*）的batch size。

Text masking.

由于文本编码器较小，没有进行mask

Objective.

只进行对比学习，不使用MAE进行decoder。因此只有对比学习损失。

Unmasking.

虽然编码器是预训练masked image，但是可以应用于完整的图像。（下游推理不用mask）

2、实现

在图像编码器的末尾使用global average pooling。输入尺寸为224，文本编码器是一种非自回归变压器，WordPiece tokenizer，将序列填充或剪切为固定的长度32。CLIP使用自回归文本编码器、BytePairEncoding标记器和77的长度，这些设计产生了微小的差异。

图像编码器和文本编码器的输出通过线性层投影到同维embedding空间。通过可学习温度参数缩放的embedding余弦相似度是InfoNCE损耗的输入。在zero-shot中，使用他们提供的7个prompt template进行ImageNet ImageNet zero-shot transfer。在TPU v3上训练。

三、Experiments

1、Ablations

在LAION-400M上进行训练，并在ImageNet-1K验证上评估zero-shot精度。

Masking ratio. 更改mask ratio，保持相同的内存占用。FLOPs大量减少，训练时间减少。

Batch size. 在上面（a），mask 50%时精度acc有提升，可能是batch_size带来的增益。因此有实验：

可以看到mask50% mask75%随着batch size的增大，精度acc有提升，但是mask75%时，由于失去太多信息，因此在微调时效果acc不佳。

Text masking. （image进行masking了，自然就是text进行masking）

随机mask50%时acc降低2.2%。因为语言数据的信息密度比图像高，因此文本掩蔽率应该更低。

当对可变长度的文本序列进行填充以生成固定长度的批处理时，可以优先屏蔽填充的token。优先采样比均匀地随机屏蔽填充序列保留更多的有效标记。acc仅降低到0.4%。

总体速度增益很小。这是因为文本编码器更小，文本序列更短。与图像编码器相比，文本编码器的计算成本仅为4.4%(没有屏蔽)。在这种设置下，文本屏蔽不是一种值得的权衡，在其他实验中没有屏蔽文本。因此这里只对image masking。

Inference unmasking.

在推理阶段是否masking：

可以看到without masking精度是最高的。因为在推理阶段mask的话，会丢失很多信息。ensemble减少了差距，但仍然落后于简单的全视图推理。

Unmasked tuning.

前面是zero-shot，如果下游turning，acc有提升，表明调优可以有效地缩小预训练和推理之间的分布差距。

Reconstruction. 添加一个重构损失函数。遵循MAE：小的解码器和重建归一化图像像素。将重构损耗加到对比损耗中。

精度下降，说明重建具有较小的负面影响。虽然这可能是次优超参数(例如，平衡两个损失)的结果，但为简化，不使用重构损失，提高精度/时间的权衡

Accuracy vs. time trade-off.

FLIP明显比CLIP有更好的权衡。达到与CLIP相似的精度，同时享受>3×的加速。在相同的32 epoch下，FLIP比CLIP方法的准确率高约1%，速度快2倍(mask 50%)

2、Comparisons with CLIP

ImageNet zero-shot transfer

可以看到FLIP的效果比OpenCLIP、CLIP好。FLIP、OpenCLIP比CLIP好可能是训练数据带来的偏差。

ImageNet linear probing.

线性探测结果，即在具有冻结特征的目标数据集上训练一个线性分类器。FLIP的准确率为83.6%，比CLIP的准确率高1.0%。也比使用相同的SGD训练器传输的原始CLIP检查点高0.6%。

Zero-shot classification on more datasets.

Zero-shot retrieval.

Zero-shot robustness evaluation.

Image Captioning. Visual Question Answering.

3、Scaling Behavior

Model scaling：ViT-H代替ViT-L，

Data scaling：使用LAION-2B，4亿→20亿

Schedule scaling：将采样数据从12.8B增加到25.6B

Training curves.

Transferability.

关于文章的个人经验（不一点适合全部图像、模型）：

1、由于最近在做VLP预训练，发现Mask vision modeling（MAE架构），该任务对下游任务其实增益很少，甚至还有损耗。

2、采用预训练的MAE权重作为视觉分支的预训练权重，对下游任务是有提升的，因为visual encoder具备了一定的先验知识。

3、对于mask 50%的权重对下游任务的增益更大，mask75%时信息损失太多了，导致模型对部分内容是根据经常出现的元素在猜测，而不是根据现有信息推理。