Contrast Learning

对比学习历程总结

前面讲过MOCO ，对Contrast Learning有个简单的介绍
https://blog.csdn.net/m0_51421744/article/details/128435863?spm=1001.2014.3001.5502

CPC

生成式模型

算法流程

1. 首先以音频信号为例，进行输入
2. 然后进行gar这种自回归模型（比如RNN\LSTM）
3. 得到的CT：也就是context representations上下文的一个表示
4. 如果这个表示足够好，那他就可以预测下一个信号，进行信号生成

对比学习

和谁对比的学？输入经过编码器后的输出就是正样本即图中的C_t（融合了过去的信息），那负样本就很多了，比如任意时刻的输入经过编码后的值都可以是负样本（随机采样得到）

CMC

目的就是为了学习到一种关键特征，能够表示多视角的交互信息

对比学习

显然算法通过一个物体的同视角（深度图、灰度图、RGB图像等等）得到的特征距离尽可能的近，不同的物体之间的视角距离拉远实现对比学习。
用一个图片一个视角的多模态的多种形式的图片作为一组正样本，换到另外一个视角就是负样本了。但是这种多模态就会导致你可能需要多个编码器，而使用transformer去实现多个数据的编码，就不用针对某个数据做特有的改变，所以说transformer为什么越来越流行了。

简单总结

从CPC和CMC可以看出，对比学习通过不同的代理任务的实现。也就是说正负样本搞好之后，之后的工作就大差不差。

MOCO & SIMCLR

SIMCLR

算法流程

1. 图片经过数据增强作为两个分支的两个输入
2. 经过encoder编码器编码
3. 再经过projector非线性降维
4. 计算相似度
5. 反向传播更新两个encoder

两个encoder的结构是完全一致的

扫描二维码关注公众号，回复： 14627803 查看本文章

对比学习

显然，一个图片的不同数据增强为正样本对，其他所有不同的图片以及他们的数据增强后的图片，都作为负样本对进行学习。

MOCO

算法流程

1. 图片经过不同的数据增强作为输入，momentum encoder包含一个batch size的数据作为输入（只有一个正样本）
2. 经过编码器编码
3. 计算相似度，计算损失（一个队列大小的数据作为负样本）
4. 梯度回传更新encoder，encoder更新momentum encoder
5. 更新队列，一个batch size大小的数据进入队列，队列中最早的batch size数据出队

对比学习

MOCO解决了memory bank（将所有图片的特征存起来）存在的容量限制问题，也实现momentum encoder保证了负样本之间的一致性。后面还有MOCOv2、MOCOv3。骨干网络换一换，比如MOCOv3：MOCOv2 + 骨干网络转换成vit。

简单总结

SimcCLR之所以能够很直白的利用两个一样的encoder直接去train，是因为他用了很大很大的batch，我们都知道对比学习很重要的一个因素是负样本的数目，只有足够的特征，才有可能学习到那些真正区分开物体的特征，避免机器走捷径。MOCO正好解决了大batch带来的算力问题，提出队列和momentum encoder，将字典的大小和batch size彻底分离开。

SWAV

给定同样一张图片，如果去生成不同的视角，希望用这一个视角的特征得到另外一个视角的特征：把对比学习和之前的聚类方法融合在一起

算法流程

因为他的pretext task不是个体判别，而是一张图片的不同视角通过聚类属于同一个原型的概率更大。所以从图中可以看出，SWAV和一般的对比学习结构（MOCO、SIMCLR等等）不同点，在于加入K个原型（prototype）。
K个原型代表K个类别，每个输入通过encode、projector后需要计算得到它属于哪个原型的概率最大，目标是让正样本对属于同一个原型。
很容易想到所有图片都被分类到一个原型上（short cut），所以SWAV通过计算一个最优分配概率q（code），按照最优运输的思想，在满足类间平衡约束的情况下，将batch中样本按照q分配到k个类中，使得与原型相似（內积大）的样本尽量被分到一起。

对比学习

使用了不一样的代理任务，通过聚类的方式，让正样本对距离拉近，通过最优分配概率避免机器走捷径。
相似的算法还有PCL，使用了EM算法的思路：

1. 先走E步：momentum encoder从所有样本中提取表征，并对表征做k-means聚类，得到每个样本所属类别、以及聚类中心
2. 再走M步：从数据集中采样若干个batch，然后分别通过encoder和momentum encoder获得表征，计算聚类对比loss，梯度更新encoder

BYOL

将配对的问题换成一个预测的问题，和SWAV很像。SWAV是把配对的问题换成一个预测的问题，但是还是借助了聚类中心来进行预测。

算法流程

从图中可以看到：

1. 通过数据增强后输入
2. encoder得到特征
3. projector进行非线性降维（从SimCLR开始有的，加上效果会更好或者是能train？）
4. encoder得到输出进行预测，预测的是什么？用一个视角的特征取预测另外一个视角的特征
5. 预测得到的和下面原本的输出计算loss
6. 反向传播更新encoder，图中也可以看到下分支是由上分支负责更新的

对比学习

这是个很神奇的算法，没有负样本的事了已经。因为说是对比学习，但是根据之前MOCO、SimClR需要大量的负样本去学习本质特征这种概念，觉得不可能train的起来，但是就是取得了很好的效果。后面有关BN泄露了负样本的信息（均值和方差的计算，从另一个方面提供了负样本的信息），也被反驳。因为不用BN，改用Group Norm和Weight standardization参数初始化方式也能取得很好的效果。

SimSam孪生网络

算法流程

很简单的一个结构，左右的结构是一样的encoder。比BYOL更厉害，它连动量编码器都不用，也就是说不用负样本、不用动量编码器，两个分支的encoder共享参数，但是一个分支不进行梯度回传，目标函数就是一张图片的两个视图相似度最大。
损失函数是两个数据增强后的图片，一个作为x₁，一个作为x₂，计算一个损失，然后交换线路走，又一个损失。总损失函数是两个损失函数（对称loss）均值。

总结

总的来说，对比学习从最初提出不同的pretext task（CMC,CPC）；正负样本对比学习：到后面基于个体判别的SimCLR、MOCO；再到聚类的SWAV、PCL；再到不要负样本的BYOL、SimSam。可以看到基本就是目标函数的改变、数据的改变这两个方面入手。