【ICCV 2022】（MAE）Masked Autoencoders Are Scalable Vision Learners

何凯明一作文章：https://arxiv.org/abs/2111.06377

感觉本文是一种新型的自监督学习方式 ，从而增强表征能力

---

本文的出发点：是BERT的掩码自编码机制：移除一部分数据并对移除的内容进行学习。mask自编码源于CV但盛于NLP，恺明对此提出了疑问：是什么导致了掩码自编码在视觉与语言之间的差异？尝试从不同角度进行解释并由此引申出了本文的MAE。

恺明提出一种用于计算机视觉的可扩展自监督学习方案Masked AutoEncoders(MAE)。所提MAE极为简单：对输入图像的随机块进行mask并对遗失像素进行重建。它基于以下两个核心设计：

• 我们设计了一种非对称编解码架构，其中解码器仅作用于可见块(无需mask信息)，而解码器则通过隐表达与mask信息进行原始图像重建；
• 我们发现对输入图像进行高比例mask(比如75%被mask掉，不同于 NLP，在 CV 中可能要配合较高的 mask 比例才能作为“有效”的自监督代理任务。“有效”指的是任务本身足够困难，这样模型才能学到有效的潜在特征表示。)可以产生一项重要且有意义的自监督任务。

上述两种设计促使我们可以更高效的训练大模型：我们加速训练达3x甚至更多，同时提升模型精度。所提方案使得所得高精度模型具有很好的泛化性能：仅需ImageNet-1K，ViT-Huge取得了87.8%的top1精度?。下游任务的迁移取得了优于监督训练的性能，证实了所提方案的可扩展能力。

整体架构：

图 1：我们的 MAE 架构。

1、在预训练期间，图像patches 的大量随机子集（例如 75%）被mask。

2、Encoder应用于可见patches的小子集。

3、将encoder后的所有patches 和masked tokens由小型decoder处理，该解码器以像素为单位重建原始图像。

4、预训练后，decoder被丢弃，encoder应用于未损坏的图像（完整的patches）以进行识别任务。

方法：

我们的MAE是一种简单的自动编码方法，可以在给定部分观察的情况下重建原始信号。与所有AE一样，我们的方法具有将观察到的信号映射到?latent representation?的encoder，以及从?latent representation 重建原始信号的decoder。与经典AE不同，我们采用非对称设计，允许编码器仅对部分观察到的信号（没有掩码标记）进行操作，并采用轻量级解码器，从?latent representation?和?mask tokens?中重建完整信号。图 1 说明了接下来介绍的想法。

Masking

MAE Encoder

编码器用于生成用于：encoder image + 识别的完整图像的representations?

MAE中的编码器是一种ViT，但仅作用于未被Mask的块。类似于标准ViT，该编码器通过线性投影于位置嵌入对块进行编码，然后通过一系列Transformer模块进行处理。然而，由于该编解码仅在未mask的patches(比如25%)进行处理。这就使得我们可以用很小的计算资源训练一个非常大的编码器?。

MAE Decoder：

?MAE解码器的输入包含：(1) encoded visible patches；(2) mask?token。如Figure1所示，每个mask token共享的可学习向量，它用于指示待预测mask块。我们还会对所有token添加位置嵌入信息。解码器同样包含一系列Transformer模块。

MAE decoder 仅在预训练期间用于执行图像重建任务。因此，可以以独立于编码器设计的方式灵活地设计解码器架构。我们用非常小的解码器进行实验，比encoder更窄、更浅。例如，我们的默认decoder 与encoder 相比，每个token?的计算量?<?10%。通过这种非对称设计，全套 token?仅由轻量级解码器处理，这显着减少了预训练时间。

Reconstruction target

变体：我们还研究了一种变体，其重建目标是每个masked patch的归一化像素值。具体来说，我们计算补丁中所有像素的平均值和标准差，并使用它们来标准化该?patch。使用归一化像素作为重建目标可以提高我们实验中的表示质量。

Simple implementation

Simple implementation?MAE预训练极为高效，更重要的是：它不需要任何特定的稀疏操作。实现过程可描述如下：

1. 首先，我们通过线性投影与位置嵌入(by linear projection with an added positional embedding)?对每个输入 patch 生成token；【对图像的所有patch --> token】
2. 然后，我们 random shuffle token 并根据掩码比例（masking ratio）移除最后一部分token；【根据mask比例，将shuffle后的所有token的最后一些元素删除（其实这一步就是服从均匀分布的无重复随机采样mask）】
3. 将所有的未被mask的patch完成encoding后（得到encoded patches），将encoded patches后加入所有mask tokens ==> full list。
4. 对full list 进行?unshuffle（inverting the random shuffle operation），从而将all tokens与它们的target进行对齐；
5. 最后，我们将解码器作用于上述full list（添加了位置编码的）?。

注意：MAE无需稀疏操作。此外，shuffle与unshuffle操作非常快，引入的计算量可以忽略。

实验

不同的mask ratio对实验产生的影响

何恺明最新一作：简单实用的自监督学习方案MAE，ImageNet-1K 87.8%！ - 知乎

文献阅读：MAGE: MAsked Generative Encoder to Unify Representation Learning and Image Synthesis-CSDN博客