ViT 在计算机视觉领域取得了巨大的成功，甚至大有取代 CNN 之势。但是相比 CNN，训练 ViT 需要更多的数据，通常要在大型数据集 JFT-300M 或至少在 ImageNet 上进行预训练，很少有人研究少量数据训练 ViT。
最近，南京大学吴建鑫团队提出了一种新方法，只需 2040 张图片即可训练 ViT。他们在 2040 张花（flowers）的图像上从头开始训练，达到了 96.7% 的准确率，表明用小数据训练 ViT 也是可行的。另外在 ViT 主干下的 7 个小型数据集上从头开始训练时，也获得了 SOTA 的结果。
而且更重要的是，他们证明了，即使在小型数据集上进行预训练，ViT 也具有良好的迁移能力，甚至可以促进对大规模数据集的训练。
论文内容
在这篇论文中，作者提出了用于自我监督 ViT 训练的 IDMM（Instance Discrimination with Multi-crop and CutMix）。我们先来看一下 ViT 图像分类网络的基本架构：将图像样本 xᵢ（i = 1, 2, …, N; N 为图片数量）送入 ViT 中，得到一组输出表征 zᵢ。wⱼ为第 j 个分类的权重。
然后，使用全连接层 W 进行分类，当类的数量等于训练图像的总数 N 时，即参数化实例判别。
第 j 类的输出为：
我们把 O 送入 Softmax 层，就得到一个概率分布 P⁽ⁱ⁾。对于实例判别，损失函数为：
对于深度聚类，其损失函数为：
可以看出，只要适当设置权重（让 wⱼ = ~wₖ ），就可以让实例判别等价于深度聚类。
从下图中可以看出，与其他方法相比，实例判别可以学习到更多的分布式表征，并能更好地捕捉到类内的相似性。
作者之所以选择参数化的实例判别，还有一个重要的原因：简单性和稳定性。
不稳定性是影响自监督 ViT 训练的一个主要问题。实例判别（交叉熵）的形式更稳定，更容易优化。接下来开始梯度分析，损失函数对权重求导：
其中 δ 是指示函数，当 k=i 时值为 1，否则为 0。
需要注意的是，对于实例判别，类的数量 N 通常很大，而且存在对实例样本访问极稀少的问题。对于稀少的实例 k≠i，可以预计 P⁽ⁱ⁾ₖ≈0，因此∂L/∂wₖ≈0，这意味着 wₖ的更新频率极低。在小数据集问题上，作者使用 CutMix 和标签平滑，来缓解此问题。
CutMix：
标签平滑：
最后梯度变为：
这样通过直接修改单次标签，来更频繁地更新权重矩阵，也是 ViT 监督训练中常用的方法。
总之，作者使用了以下策略来加强小数据集上的实例判别。
小分辨率：预训练中的小分辨率对小数据集很有用。
多次裁剪：实例判别概括了对比损失，保证了在使用多种实例时获取特征的对齐和统一性。
CutMix 和标签平滑：有助于缓解使用实例判别时的过拟合和不经常访问的问题。
至于为什么需要直接在目标数据集上从头开始训练，作者给出了 3 点原因：
1、数据
目前的 ViT 模型通常在一个大规模的数据集上进行预训练，然后在各种下游任务中进行微调。由于缺乏典型的卷积归纳偏向，这些模型比普通的 CNN 更耗费数据。
因此从头开始训练 ViT，能够用图像总量有限的任务是至关重要的。
2、算力
大规模的数据集、大量的耗时和复杂的骨干网络的，让 ViT 训练的算力成本非常昂贵。这种现象使 ViT 成为少数机构研究人员的特权。
3、灵活性
预训练后再进行下游微调的模式有时会很麻烦。
例如，我们可能需要为同一任务训练 10 个不同的模型，并将它们部署在不同的硬件平台上，但在一个大规模的数据集上预训练 10 个模型是不现实的。
在上图中，很明显与从头开始训练相比，ImageNet 预训练的模型需要更多的参数和计算成本。
在小数据集上进行预训练时的迁移能力。每个单元格和列中精度最高的元素分别用下划线和粗体表示。最后，在下表中，作者评估了在不同数据集上预训练模型的迁移精度。对角线上的单元（灰色）是在同一数据集上进行预训练和微调。对角线外的单元格评估了这些小数据集的迁移性能。
从这张表中，我们可以看到以下几点：
即使在小数据集上进行预训练，ViT 也有良好的迁移能力。
与 SimCLR 和 SupCon 相比，该方法在所有这些数据集上也有更高的迁移精度。
即使预训练的数据集和目标数据集不在同一领域，也能获得令人惊讶的好结果。例如，在 Indoor67 上预训练的模型在转移到 Aircraft 上时获得了最高的准确性。
作者简介
本文第一作者是南京大学在读博士曹云浩，通讯作者是南京大学人工智能学院吴建鑫教授。
吴建鑫本科和硕士毕业于南京大学计算机专业，博士毕业于佐治亚理工。2013 年，他加入南京大学科学与技术系，任教授、博士生导师，曾担任 ICCV 2015 领域主席、CVPR 2017 领域主席，现为 Pattern Recognition 期刊编委。
本文由LinkNemo爬虫[Echo]采集自[https://www.ithome.com/0/601/503.htm]
