文章目录

目录

概要

标题、摘要、结论

引言

相关工作

本文方法

实验部分

消融实验

概要

​论文：https://arxiv.org/pdf/2311.15010.pdf

代码：https://github.com/Leiyi-Hu/mona.git

此解析为本人逐字阅读理解后总结，才疏学浅，难免疏漏。

按照沐神读文章三步法：1.标题、摘要和结论；2.重要图表；3逐步精读后思考。

标题、摘要、结论

通过标题、摘要、结论，初步了解文章的研究领域、初步结论，是否有必要进一步研究。

标题：如同《Attention Is All You Need》，重点表达adapter可以很好应用于视觉任务微调。

摘要：

视觉预训练模型的微调能够增强视觉任务的迁移性能。目前的微调方法更多是针对分类任务，在密集型任务上，微调方法与全量微调仍有较大差距。为了取代全量微调，我们提出了Mona（multi-cognitive visual adapter，多维感知视觉适配器）。在adapter内加入多个视觉滤波器，使其更好处理视觉任务，之前的adapter设计主要基于NLP，更多是线性结构。在adapter中加入scaled normalization layer，调整视觉滤波器输入特征的分布。秀结果，Mona在COCO实例分割、ADE20K语义分割、VOC目标检测、图像分类做了对比实验，Mona的结果均超过了全量微调。特别是实例分割与语义分割，Mona是唯一超过全量微调的方法，在COCO上Mona比全量微调性能+1%AP。

结论：

文章提出了一种新的视觉微调方法Mona，在实例分割、语义分割、目标检测、图像分类上，均超过传统的全量微调与其余微调方法。在大模型时代，全量微调不再是最优选择，Mona微调能有效提高大模型的迁移性能，在更多任务上代来性能突破。

引言

分析现状，总结问题，引出研究课题与主要贡献。

现状：

大模型时代，预训练模型的微调很重要，而全量微调在CV任务应用更加广泛。因此，全量微调是视觉任务最好的微调方式吗？受NLP启发，Delta Finetuning（同Parameter efficient Finetuning，PEFT）在CV上也开始研究，例如修改网络的部分参数，或者新增轻量化结构。之前的工作在分类任务上已经取得比全量微调更好的结果，如VPT、LoRand，然而现有方法在密集型任务上，仍然无法超越全量微调。

问题：

分析了最近的视觉adapter工作，总结了两个问题：

现有视觉adapter的设计主要是linear adapter。我们实验表明，基于卷积的adapter有更好的迁移效果。现有adapter通过简单的非线性压缩上游特征到单一的维度。

研究：

综上，我们提出了Mona。Mona是基于多个卷积滤波器的adapter。使用基于ImageNet-22k的Swin作为预训练模型，实验表明，Mona在图像分类和密集型预测任务上，均优于传统的全量微调方式。总结Mona的贡献：

基于adapter的微调可以取代全量微调，在视觉任务上有更好性能更少参数。Mona使用视觉滤波器取代传统linear adapter，提高视觉迁移能力。在分类、检测、分割等视觉任务上，Mona均超越全量微调。

相关工作

个人认为，视觉大模型的微调工作可参考最新的综述《Parameter-Efficient Fine-Tuning for Pre-Trained Vision Models: A Survey》。大致分为：新增额外参数的、修改网络部分参数的、二者合一的。本文微调方法是Adapter Tuning，属于新增额外结构的。具体不在此赘述。

另外，之前的所有微调方法均不能完全取代全量微调，因此提出了Mona。

本文方法

具体分4部分进行阐述，从adapter tuning的基本概念、Mona的设计思路、Mona的设计过程（这点挺好，让读者明白研究过程）、参数计算（需要理解整个模块设计）。

adapter-tuning 如图所示，以Swin-Block作为示例。左边是全量微调，更新预训练主干的所有参数，右边是adapter微调，只更新adapter的参数。

在数据集D上，上式是全量微调，下式是adapter微调。θ是模型的所有参数。θF是微调主干的部分参数，w是adapter参数。 上式表明，全量微调是微调模型所有参数θ，使其在新的任务D上损失最小。 下式表明，高效微调是仅微调部分参数θF，或者仅微调新增模块参数w，使其在新的任务D上损失最小。

Mona 基于adapter方法主要考虑：adapter的结构，adapter的位置，adapter的嵌入方式。这里回顾几篇adapter的相关工作，与原文无关，仅本人从研究思路上进行分析。 （1）NeurIPS22的AdapterFormer。第一，从结果看出，基于ViT的AdapterFormer性能无法超越全量微调。第二，adpter结构是传统的降维-->非线性映射-->升维。第三，adapter的位置与MLP并行，有意义的是，这里分析了并行性能更优的原因：a.并行结构不破坏原特征，使用独立分支合并新增的上下文信息。b.串行结构等同于在原有网络添加更多层，增加了优化难度。

（2）IJCV23的SCT。重点关注adapter结构与SCTM模块的嵌入位置。

综上，之前的视觉adapter方法都是基于线性结构。而适用于NLP的线性adapter对视觉而言不是最优的。从视觉感知出发，多尺度处理会得到更好效果。因此，在adapter中加入多尺度的滤波器去增加感知维度。为了减少新增参数量，使用DWConv，分别使用卷积核3、5、7，求平均再通过1x1卷积核融合特征。非线性激活使用GELU。为了减少卷积导致的特征损失，在多处使用跳跃连接。 另外，文章认为对输入到adapter的特征也需要调整。输入优化：输入的特征来自不同的层级，需要调整特征的分布。通过设置s1和s2去实验LN的不同位置，LN是LayerNorm，实际测试比BatchNorm好，能够稳定前向和反向梯度传播。下图对比不同归一化方法的差异。

LayerNorm针对每个样本的完整特征去归一化。

而BatchNorm是对所有样本的某一维度特征进行归一化。

设计过程

（1）初步版本就是加入了多尺度卷积滤波器增强视觉信号，这个设计在大多数任务上已经超过了很多其他adapter方法和全量微调。 （2）为了在所有任务上均达到最优，之前的工作表明LN能有效调整输入特征的分布，因此尝试把LN加在不同位置。然而，并不能获得期望的提升。 （3）在DWConv后面添加平均操作，能稍微提升第二版本性能，仍比第一版本差。 （4）最终版本，所有任务均超越全量微调。参数分析 此节分析Mona有多少参数。 （1）Mona的参数来自LN、缩放因子、全连接层、DWConv和PWConv。此处，Mona的输入维度为m，输出维度为n。 （2）LayerNorm层参数与输入维度m有关，包含参数均值、方差，共2m参数。 LayerNorm做了缩放叠加，包含参数s1和s2，共2个参数。因此，LN层是2m+2参数。 （3）DownProjection和UpProjection层由全连接层实现，其中DownProjection包含参数mn+m，UpProjection包含参数nm+n，共2mn+m+n。 （4）经过DownProjection后，维度降为n。 （5）深度可分离卷积由DWConv和PWConv组成。 （6）DWConv层参数与卷积核、输入维度有关，为卷积核w×卷积核h×输入维度，这里等于(32+52+72)×n=83n。 （7）PWConv层为1×1卷积核，参数与输入维度，输出维度有关，参数等于1×1×输入维度×输出维度，=1×1×nn=nn （8）综上，Mona参数量为(2n+3)m+n2+84n+2 （9）由于文章使用Swin模型，Swin-block包括w-MSA和sw-MSA两个计算模块。因此总的参数为2((2n+3)m+n2+84n+2)

实验部分

具体分4部分进行阐述，从数据集、预训练模型、对比方法、结果4方面进行讨论。

1.数据集 在目标检测、语义分割、实例分割、图像分类上进行实验。 （1）目标检测：Pascal VOC 0712有16k/5k 训练/验证图像。使用Swin-L+RetinaNet训练，评价指标使用APbox。 （2）语义分割：ADE20K有20k/2k训练/验证图像。使用Swin-L+UperNet训练。评价指标使用mIOU。 （3）实例分割：COCO有118k/5k训练/验证图像。使用Swin-B+Cascade Mask RCNN训练。评价指标使用APbox和APmask。 （4）图像分类：Oxford 102 Flower有102类别，每类有40~258图像。Oxford-IIIT Pet有37类别，每类有200图像。VOC 2007有10k图像，20类别。评价指标使用top-1和top-5准确率。

2.预训练模型 使用Swin Transformer系列作为主干网络。 在ImageNet-22k上预训练，由openMMLab提供。预训练分辨率为224x224。在Nvidia Tesla V100s上进行实验。除COCO任务使用Swin-B外，其余使用Swin-L。

3.对比基线

无额外结构的方法： FULL, FIXED, BITFIT, NORMTUNING, PARTIAL-1 有额外结构的方法： ADAPTER, LORA, ADAPTERFORMER, LORAND

4.结果

（1）实例分割是最有挑战的任务，而COCO是最大的实验数据集。因此，在COCO的结果可以更好的表明adapter微调在视觉任务上优于其余方法。

在COCO数据集上，Mona是唯一一个超过全量微调的方法，因此全量微调并不是视觉迁移学习的最有方法。有额外结构的微调方法均优于无额外结构的微调方法，但是无额外结构的方法可以节省参数。Adapter方法均优于lora，因为lora更适用于NLP,不适用于视觉任务。微调而言，更多的参数不一定有更好的结果。如partial-1参数量最大，但是比adapter方法结果差。因此，更好的模块设计能有效提升预训练模型的迁移性能，同时降低内存消耗。

（2）目标检测和语义分割任务分析。在VOC和ADE20K数据集上，Mona超过全量微调3.6%和0.18%，因此全量微调并不是视觉迁移学习的最有方法。在VOC数据集上，所有微调方法均超过全量微调。因为VOC是小数据集，会导致198M的Swin-L过拟合。不同于全量微调，微调小部分参数不太可能导致训练严重奔溃。NLP学者也反应了同样的情况。大多数微调方法的新增参数均低于5%，这是微调方法的优势。

（3）图像分类分析。在Flowers102, OxfordPets和平均结果上，Mona均领先。在数据集平均结果上，所有微调方法均超过全量微调。因为在ImageNet-22k上预训练的Swin-L，强大的知识使得Flowers102, OxfordPets有很高的分数。因此，更复杂的密集型预测任务，更适合用于比较不同的微调方法。

总结：全量微调并不是最优的微调方法，Mona在所有视觉任务上均超越全量微调。甚至在COCO实例分割上超过全量微调1%AP。

消融实验 消融实验讨论adapter的中间维度，Mona微调的模型大小，所有消融实验在VOC数据集进行。

（1）中间维度：64维度最优，实验结论与AdapterFormer一致。实验表明，adapter中间维度的增加并不会带来性能的成比例提升。

（2）Mona在不同模型大小时的性能对比。将Mona应用于Swin-T，Swin-B和Swin-L。

更大的骨干网，Mona参数的比例降低，因此PEFT在大模型时代，可以节省更多的内存。Mona在3个模型尺寸上均超过全量微调。因此，Mona微调可以帮助资源受限的研究者进行大模型的应用研究。随着模型增大，Mona会带来更好的性能提升。