MaPLe: Multi-modal Prompt Learning 多模式提示学习

文章介绍

• 这篇文章于2023年发表在CVPR（Conference on Computer Vision and Pattern Recognition），作者是Muhammad Uzair Khattak，Hanoona Rasheed，Muhammad Maaz，Salman Khan，Fahad Shahbaz Khan。
• 研究发现Clip的问题：在单个分支（语言或视觉）中使用prompt来调整表示是次优的，它不能在下游任务上灵活地动态调整两个表示空间。
• 作者提出了针对视觉和语言分支的多模态提示学习(MaPLe)，以改善视觉和语言表征之间的一致性。
• 与CoCoOp方法相比更好。

动机

作者认为，Clip中只有文本编码器学习prompt，不足以对图像编码器所需的适应进行建模，因此着手基于多模态提示学习（MaPLe）来充分微调文本和图像编码器表示。

MaPLe:Multi-modal Prompt Learning 模型结构

• 这是第一个用于微调CLIP的多模式提示方法。
• 多模态提示是在视觉和语言分支的多个转换块中学习的，以逐步学习两种模态的协同行为。
• 提出了耦合函数，将文本和图像编码器中的提示学习联系起来，作为两种模式之间的桥梁，允许梯度的相互传播，以促进协同作用。
• 在视觉和语言分支的前 $J$ 层（ $J$ < $K$ ）引入 learnable token。

text encoder	文本编码器	image encoder	图像编码器
$W_i$	word embeddings	$E_i$	image embeddings
$L_i$	某层transformer	$V_i$	某层transformer
$P_i$	提示	$P_i$	提示
		$c_i$	class(CLS) tokens

1、Deep Language Prompting 深度语言提示

• 作者在 text encoder 的前 $J$ 层各引入了 $b$ 个learnable tokens : {${P_i\in \mathbb{R}}^{d_l}$} ${}_{i=1}^b$。

• 输入：$[P_1,P_2,\dots ,P_b,W_0]$

• 前 $J$ 层：提示tokens被引入到每一层 $L_i$，与 $W_i$ 进行连接，这里的$[\cdot ,\cdot ]$ 是指连接操作。（包括第 $J$ 层）

$$\left[-,W_i\right]=L_i\left(\left[P_{i-1},W_{i-1}\right]\right)i=1,2,\dots ,J\text{\hspace{1em}(1)}$$

• 后 $J$ 层：没有额外的提示输入，而是处理前一层的prompt，通过自注意力机制和前馈神经网络来处理文本数据，计算最后的文本表示 $z$ 。

$$[P_j,W_j]=L_j\left(\left[P_{j-1},W_{j-1}\right]\right)j=J+1,\dots ,K\text{\hspace{1em}(2)}$$
$$z=\text{TextProj}\left(w_{N_K}\right)\text{\hspace{1em}(3)}$$

• 当 $J=1$ 时，提示 $P$ 只应用于第一个Transformer层的输入，此时深度语言提示技术退化为CoOp 。

2、Deep Vision Prompting 深度视觉提示

• 类似于深度语言提示，在 text encoder 的前 $J$ 层各引入了 $b$ 个learnable tokens : {${\widetilde{P_i}\in \mathbb{R}}^{d_v}$} ${}_{i=1}^b$。
• 前 $J$ 层：
  $$[c_i,E_i]=V_i([c_{i-1},E_{i-1},{\tilde{P}}_{i-1}])i=1,2,\dots ,J$$
• 后 $J$ 层：
  $$[c_j,E_j,{\tilde{P}}_j]=V_j([c_{j-1},E_{j-1},{\tilde{P}}_{j-1}])j=J+1,\dots ,K$$
  $$x=\text{ImageProj}(c_K)$$

3、Vision Language Prompt Coupling 视觉语言提示耦合

共享提示在两种模态之间建立联系，语言提示被引入到语言分支中的J层Transformer块中，而视觉提示通过视觉到语言的投影函数从语言提示中获得。

• independent V-L Prompting：独立V-L提示
• 通过投影函数$F(\cdot )$将语言提示 $P_i$ 映射到视觉提示$\widetilde{P_i}$
• $F_i$是一个线性层，这个映射操作是一个从 $dl$ 维到 $dv$ 维的线性变换。

提示耦合过程

• 提示过程使用投影函数 $F(\cdot )$ 在前 $J$ 个transformer块中进行
• 语言分支：通过 $F_i$ 对 $P_i$ 进行映射，得到了 $\widetilde{P_i}$。
• 视觉分支：通过引入了调整后的视觉提示 $\widetilde{P_i}$，保持了分支之间的协同作用。

实验

1、通过V-L prompts prompting CLIP

• shallow MaPLe(第1行)在泛化方面提供了对CoOp和Co-CoOp的持续改进。
• 深度语言提示(第3行)比深度视觉提示(第2行)有所改善，表明在语言分支学习的提示能更好地适应CLIP。
• 虽然单独结合上述两种方法(第4行)进一步提高了性能，但它很难从语言和视觉分支中获得综合效益。
• MaPLe与深度提示(第4行)结合了提示在两个分支中的好处，通过在语言提示上执行视觉提示的显式条件反射来强制交互。它提供了新类和基类准确度的改进，导致最佳HM为78.55%。

2、基类到新类的泛化

• 给出了MaPLe在11个识别数据集上从基类到新类的泛化设置下的性能。
• 与最先进的Co-CoOp相比，MaPLe在所有11个数据集上的基本类和新类性能都有所提高，只有Caltech101的基本类性能略有下降。
• 与CLIP相比，Co-CoOp仅在4/11数据集上有所提高，平均新分类准确率从74.22%降至71.69%。
• MaPLe是一个强大的竞争对手，它在6/11数据集上的新类别上提高了CLIP的准确性，平均增益从74.22%提高到75.14%。

3、跨数据集评估

我们通过在所有1000个ImageNet类上学习多模态提示，然后直接将其转移到剩余的10个数据集上，来测试MaPLe的跨数据集泛化能力。MaPLe表现出有竞争力的性能，平均准确率最高，为66.30%。

4、域泛化

评估了ImageNet训练模型对各种域外数据集的直接可移植性，并观察到，与表5所示的所有现有方法相比，它持续提升。

5、消融实验

• Prompt Depth（左）：深度J对语言和视觉分支深度的影响
  MaPLe在深度为 9 时实现了最大性能
• Prompt Length（右）：提示符长度对MaPLe的影响
  随着提示符长度的增加，基类上的性能一般保持不变，而新类的准确率则下降。这表明过拟合本质上损害了对新类别的泛化。
  
• Effectiveness of Multi-modal Prompting：多模式提示的有效性

• Prompting complexity：提示复杂度
  MaPLe提供了更好的推理和训练速度,MaPLe†的参数比MaPLe小约9倍，MaPLe†对所有层prompt使用统一的V-L耦合函数，比MaPLe少约9倍的参数，但性能差异不大。

总结

大规模V-L模型（例如CLIP）对下游任务的适应是一个具有挑战性的问题，因为大量的可调参数和有限的下游数据集大小。提示学习是一种高效且可扩展的技术，可以根据新的下游任务定制V-L模型。为此，目前的提示学习方法要么只考虑视觉方面的提示，要么只考虑语言方面的提示。我们的工作表明，对视觉和语言分支进行提示是至关重要的，以使V-L模型适当地适应下游任务。此外，我们提出了一种策略，通过在不同的transformer阶段将视觉提示明确地限制在文本提示上，来确保视觉语言模式之间的协同作用。我们的方法提高了对新类别、跨数据集迁移和具有域迁移的数据集的泛化能力。