你算个什么鸟?
面对上面这两张图,一个 AI 发出了灵魂拷问。
左边桃面牡丹鹦鹉,右边费氏牡丹鹦鹉。
一眼识破的它早就看到左边的鸟的喙部和眼圈与右边的不一样。
不行,再来!再来看这组。(文末揭晓答案)
好,我放弃了。
这个来自浙大计算机学院和阿里安全的“找茬”选手,识别准确率达到了 91.3%,已经是业内最优水平。研究成果已被多媒体国际顶会 ACM MM 2021 收录。
不光鸟,阿猫阿狗也能行,甚至花草植物也能行。
看看这连两张照片,吉娃娃还是英国玩具梗?
再来看这一波,羊驼还是美洲驼?驴还是骡?玫瑰还是羽衣甘蓝?
AI 好眼力!那到底是如何练成的?
AI 如何练就的一副好眼力?
实际上,这涉及到计算机视觉领域一个经典问题 —— 细粒度图像识别,让 AI 一眼锁定类别之间的细微差异。
看起来简单,实际不简,就比如下面左边这俩。
对于 AI 来说,区域注意力的定位和放大是保证识别准确率一个重要因素,此前大量基于 CNN 的探索发现,CNN 的感受野有限,且缺乏全局依赖关系的建模能力。(感受野:网络内部的不同位置的神经元对原图像的感受范围)
研究人员认为,与 CNN 相比,图像序列化是一种全新的方式。
他们把目光转向了最近在 CV 领域取得了非常多研究进展的视觉 Transformer(ViT)。
一开始,研究人员引入了 ViT 中的自注意力机制,提取图像中的长距离依赖关系。
不过 ViT 的感受野大小相对固定,对图像中的每个 patch 的关注程度没有产生区分,也就给细粒度图像识别带来了性能局限。
既然如此,那该如何让 AI 找准“重点”呢?
研究人员决定使用注意力权重的强度来衡量对应于原始图像的 patch 重要性,提出了多尺度循环注意力的 Transformer(RAMS-Trans)。
它利用 Transformer 的自注意力机制,以多尺度的方式循环地学习判别性区域注意力。
团队成员之一,阿里安全图灵实验室算法专家炫谦介绍道:
我们方法的核心是动态 patch 建议模块 (DPPM)引导区域放大,以完成多尺度图像 patch 块的集成。
DPPM 从全局图像开始,迭代放大区域注意力,以每个尺度上产生的注意力权重的强度为指标,从全局到局部生成新的 patch 块。
具体来说,首先提取 ViT 每层的自注意力机制,并进行归一化,然后采取累乘的方式对自注意力整合。
然后,得到了整合后的自注意力均值分布矩阵,由于细粒度图像识别任务的关键因素在于局部注意力,其往往存在于图像的局部区域,如鸟的尾部、喙和蛙类的头部等。
因此研究者需要通过设定阈值的方式来“过滤”不需要的部位,增强对局部判别性区域的识别能力。
最后,研究者通过插值算法将选定的 patch 块放大到原图像的尺寸,通过共享参数的模型,重新进行训练,整体结构对应于文章所提的多尺度循环机制。
下图为 RAMS-Trans 在识别鸟类时根据注意力权重生成的注意图(attention map)。
△第二、三行分别为从原始和重新训练过的注意权重生成
扩展到更多动物身上的效果:
战绩如何?
RAMS-Trans 只需要 ViT 本身附带的注意力权重,就可以很容易地进行端到端的训练。
实验表明,除了高效的 CNN 模型外,RAMS-Trans 的表现比同期进行的工作更好,分别在 CUB-200-2011(鸟类识别)、Stanford Dogs(狗类识别)、iNaturalist2017(动植物识别)获得 SOTA。
分别达到 91.3%、68.5%、92.4% 的识别准确率。
在不同种类动植物的细粒度判别时,RAMS-Trans 可以聚焦到类别的独特特征区域。
△第二、四、六行分别为放大到原图像尺寸的的 patch 块
针对不同类别识别准确率不同,甚至还有较大的区别,一作浙大博士胡云青解释道,主要有两方面的因素。
一是因为 Stanford Dogs 本身的类别数比其他两个数据集都要小。只有 120 分类(CUB 是 200,而 iNaturaList 更是达到了 5089)。
类别数越多,通常意味着该数据集的细粒度问题越严重,因此 RAMS-Trans 在更细粒度的数据集上取得的提升相对明显。
二则因为在某个类别上大部分样本具有相似的特征,而不同种类间的狗也具有明显的判别性特征。
比如大部分博美都有相似的毛色和头型;德牧和金毛之间,人眼就可以做到明显区分。
通过消融实验发现,当分辨率为 320、阈值为 1.3、patch 方案为 DPPM、patch 块大小为 16×16 时,模型效果最好。
接下来,团队还将在两个方面进行优化:
-
提高定位能力。
目前,RAMS-Trans 在原图上以 patch 为最小单位进行判别性区域定位和放大的过程,对于细粒度图像识别来说,这个较为“精细”的任务来说还是相当粗旷。
-
动态网络的引入,包括动态训练和动态推理等。
另外,已经有了可预见的应用场景,比如野生动物保护治理、山寨商标的识别。
浙大 & 阿里安全
这项研究主要由浙江大学计算机学院、阿里安全图灵实验室共同完成。
其中第一作者胡云青,目前浙江大学计算机学院 DMAC 实验室博士在读,师从张寅教授。此外还是阿里安全图灵实验室实习生。
原创文章,作者:kepupublish,如若转载,请注明出处:https://blog.ytso.com/37761.html