Abstract
对比自监督学习已成为无监督视觉表示学习的一种有前途的方法。通常，这些方法学习全局（图像级）表示，这些表示对于同一图像的不同视图（即数据增强的组合）是不变的。然而，许多视觉理解任务需要密集（像素级）表示。在本文中，我们提出了 与视图无关的密集表示 (VADeR)，用于密集表示的无监督学习。 VADeR 通过 强制局部特征在不同的观察条件下保持不变 来学习像素表示。具体来说，这是通过 像素级对比学习 实现的：匹配特征（即在不同视图上描述场景相同位置的特征）在嵌入空间中应该靠近，而非匹配特征应该分开。 VADeR 为密集预测任务提供了自然表示，并能很好地迁移到下游任务。我们的方法在多个密集预测任务中优于 ImageNet 监督预训练（和强大的无监督基线）。
1 Introduction
自从引入像 ImageNet [9] 这样的大规模视觉数据集以来，计算机视觉领域的大部分成功主要是由监督学习驱动的。不幸的是，大多数成功的方法都需要大量标记数据，这使得它们的扩展成本很高。为了利用大量未标记数据并打破这一瓶颈，提出了无监督和半监督学习方法。
最近，基于对比学习的自监督方法 [23] 在计算机视觉问题上显示出可喜的结果 [73、55、30、80、29、63、1、26、49、5]。对比方法 学习 图像视图之间的相似性函数——在表示空间中拉近同一图像的视图，同时将其他图像的视图推开。视图的定义因方法而异，但视图通常是从计算机视觉中常用的一组数据增强过程中提取的。
当前的对比自监督方法 有一个共同点：相似性分数是在视图的全局表示之间计算的（通常通过最终卷积层上的全局池化操作）。参见图 1a。全局表示的计算效率很高，但提供了对 像素级变化 不变 的 低分辨率特征。这对于像图像分类这样的少数任务来说可能已经足够了，但对于密集的预测任务来说还不够。
与全局表示相反，密集表示在像素级别产生编码。它们提供了一种在训练期间利用视觉感知 [70] 中固有空间结构的自然方式（例如，附近的像素往往具有相似的外观，对象边界具有强梯度，以对象为中心的属性）。此外，许多（可以说是大多数）视觉理解任务依赖于结构化、密集的表示（例如像素级分割、深度预测、光流预测、关键点检测、视觉对应）。
在本文中，我们提出了一种密集表示的无监督学习方法。关键思想是 利用 perceptual constancy 感知恒常性 [56]——即 局部视觉表征 在不同观察条件下 应保持不变的思想——作为训练神经网络的监督信号。感知恒常性在视觉感知中无处不在，并提供了一种根据光学结构的不变量来表示世界的方法 [18, 69]。场景的局部表示（例如，狗的眼睛）应该 相对于观察场景的视角保持不变。
我们的方法——视图不可知的密集表示法(VADeR)——通过 对比局部表征 来强制知觉恒常性。这里，匹配特征(即，在不同视图上描述场景的相同位置的特征)的表示在嵌入空间中应该是接近的，而非匹配特征应该是分开的。我们的方法 利用 从视图生成过程中 得到的已知像素对应关系，在每对视图中寻找匹配特征。VADeR可以 被视为 先前对比自监督方法的一种泛化，在某种意义上，它学习密集(即，每像素)特征，而不是全局特征。图1b描述了我们的通用方法，并将其与常见的对比方法进行了比较。
VADeR 为密集预测任务提供自然表示。我们通过查看学习到的特征如何转移到下游任务来评估其性能，无论是作为特征提取器还是用于微调。我们表明，密集表示的（无监督）对比学习在许多视觉理解任务（实例和语义分割、对象检测、关键点检测、对应和深度预测）中比其全局表示更有效。也许更有趣的是，VADeR 无监督预训练在不同任务上优于 ImageNet 监督预训练。
2 Related Work
自监督学习。
自监督学习是一种无监督学习形式，它利用数据的内在结构作为训练的监督信号。它包括制定一个 预测性的前置任务，并 以类似于监督学习的方式 学习特征。最近提出了范围广泛的前置任务。例如，[65, 57, 78, 2] 用噪声破坏输入图像 并 训练神经网络重建输入像素。对抗性训练 [20] 也可用于无监督表示学习 [16、12、13]。其他方法依靠启发式方法来设计前置任务，例如图像着色 [77]、相对块预测 [10]、解决拼图游戏 [52]、聚类 [3] 或旋转预测 [19]。
最近，基于对比学习的方法[23]显示了学习无监督视觉表征的有希望的结果。在这一系列方法中，前置任务是区分图像的兼容(相同实例)和不兼容(不同实例)视图，尽管视图的定义因方法而异。 对比预测编码(CPC) [55，29]已应用于顺序数据(空间和时间)，并将视图定义为过去或未来的观察。DeepInfomax [30，1]通过 对比来自同一图像全局(整个图像)和局部(小块)特征 来训练网络。
其他方法 [11、73] 提出了 [15] 的非参数版本，其中训练网络以区分数据集中的每个实例。特别是，InstDisc [73] 依靠 噪声对比估计 [22] 来 对比同一实例的视图（图像变换的组合）和不同实例的视图。作者提出了一个内存库 来存储每个实例的特征，以在训练期间有效地考虑大量负样本（来自不同图像的视图）。许多作品都遵循这种方法并使用内存库对负样本进行采样，无论是考虑相同的视图定义 [80、74、26] 还是不考虑 [63、49]。 SimCLR [5] 也将视图视为图像变换的随机组合，但不使用内存库，而是通过使用更大的批次来提高性能。我们的方法可以看作是这些方法的改编，我们在其中学习像素级而不是图像级的 对视图不变的特征。
密集的视觉表示。
SIFT [46] 和 HOG [8] 等手工制作的特征已大量 用于涉及密集对应的问题 [43、68、35、32]。 Long 等人 [45] 表明，在大型数据集上进行分类训练的深层特征 可以 找到对象实例之间的对应关系，其性能 与 SIFT Flow [43] 等手工制作的方法 相当。这激发了许多关于训练深度网络以学习密集特征的研究 [25、75、76、6、34、53、60、64、54]，但这些方法通常需要标记数据并且具有非常专业的架构。特别是，[34] 利用对应流（由图像转换生成）来解决关键点匹配问题。
最近，已经提出了 学习结构化表示的 无监督/自监督方法。在 [79] 中，作者提出了一种通过 3D 引导的循环一致性学习密集对应的方法。一些工作通过利用时间信号来学习特征，例如，通过学习光流 [14]、为未来帧着色 [66]、光流相似性 [47]、对比预测编码 [24] 或时间周期一致性 [67、40]。其他人提出了自监督的方法来学习 对关键点 [62、33、61、48] 或 部分 [31] 进行编码的 结构化表示。我们的方法在使用的数据、损失函数 和 总体高级目标方面不同于以前的方法。 VADeR 学习可应用于不同下游任务的一般像素级表示。此外，我们的方法不需要特定数据（例如视频 或人脸分割图像）进行训练。
3 Method
我们的方法 VADeR 通过 强制 像素表示与视角无关 来学习隐空间。这种不变性是在训练期间通过 对比损失 最大化同一场景的不同视图之间的每像素相似性 而施加的。从概念上讲，一个好的像素级嵌入 应该 将语义相似的像素 映射到彼此靠近的位置。图 2 显示了 VADeR 学习的表示的选定结果。这些定性示例表明，VADeR 可以在一定程度上 独立于视角和外观 且无需任何监督地 聚集少量高级视觉概念（如狗的眼睛、天鹅的喙、猫的耳朵）。在下文中，我们首先描述我们如何学习与视角无关的密集特征。然后我们描述我们的架构和实现细节。
3.1 与视图无关的密集表示
我们用元组 (x,u) 表示图像 
中的像素 u。我们遵循当前的自监督对比学习文献 [73、26、5]，并 将 “view视图” 定义为应用于图像（及其像素）的数据变换的随机组合。令 (vx,vu) 为在 (x,u) 上应用 视图 v 的结果。视图 可以修改图像（及其像素）的外观（例如像素级噪声、照明变化、饱和度、模糊、色调）和 几何形状（例如仿射变换、单应性、非参数变换）。
令 f 和 g 为编码器-解码器卷积网络，为图像中的每个像素生成 d 维嵌入，即 
。 f 和 g 的参数可以共享、部分共享或完全不同。我们的目标是学习一个嵌入函数，该函数将 (x,u) 编码为 相对于 包含原始像素 u 的任何视图 
不变的表示。也就是说，对于每个像素 u 和每个视角对 
。为了简化符号，我们将像素级嵌入写为 
和 
。理想情况下，我们希望满足以下约束：
其中 u 和 u' 是不同的像素，c(·,·) 是表示之间兼容性的度量。
在实践中，上述约束是 通过逐像素特征的对比学习 来实现的。对比损失函数 有不同的实例[39]，例如边际损失、对数损失、噪声对比估计（NCE）。在这里，我们 调整 NCE 损失 [22, 55] 以 在逐像素表示之间形成对比。直观上，NCE 可以看作是一个二元分类问题，其目标是区分兼容视图（同一像素的不同视图）和 不兼容视图（不同像素的不同视图）。
对于每个像素 (x,u)，我们构造 一组 N 个随机负像素 
。像素 u 和 的损失函数可写为：
我们认为兼容性度量是温度校准的余弦相似性，
，其中 τ 是温度参数。通过使用一个简单的、非参数的兼容性函数，我们将表示学习的所有负担都放在了网络参数上。
这种损失函数 迫使 像素的表示 与同一像素的其他视图 比 其他像素的视图 更兼容。最终损失 包括 最小化数据集每个图像上每个像素的经验风险。
3.2 实施细节
Sampling views.
我们认为视图是 (i) 外观变换（随机高斯模糊、颜色抖动和/或灰度转换）和 (ii) 几何变换（随机裁剪，然后调整大小为 224×224）的组合。在这项工作中，我们 使用与 [26 MoCo] 中相同的变换。
通过对每个训练图像的视图对进行采样 并 确保至少 32 个像素属于两个视图 来生成正训练对（我们尝试了每对不同的最小匹配像素数，并且没有注意到性能上的任何数量差异）。像素级匹配的监督是免费的：这两个视图在它们之间 引入了对应关系图。我们 使用这个对应图 来找到 这对视图之间的匹配特征，并 将每个匹配的视图对 视为正训练样本。
如果我们考虑 逐像素的表示，则 负样本的数量尤为重要，因为现代数据集中的像素数量很容易达到数千亿的数量级。在初步实验中，我们尝试使用同一图像的不同像素作为负样本，但未能成功。我们认为使用来自其他图像的像素 对于负样本 更自然，并且它 非常适合使用 负样本队列 的情况。我们使用最近提出的 动量对比机制 [26] 在训练期间有效地使用大量负样本。关键思想是 将负样本表示为包含一组代表性负样本的大型动态字典队列，并将编码器 g 建模为 f 的基于动量的移动平均值。按照 [26]，我们将字典的大小设置为 65,536，并使用 0.999 的动量。我们观察到与 [26] 中报告的内存库大小相关的类似行为。
Architecture.
我们采用 特征金字塔网络(FPN) [41]作为我们的 编码器-解码器架构。FPN向标准网络(我们使用ResNet-50 [28]) 添加了一个轻量级的自上而下的路径，并生成了一个维度为256的特征金字塔(具有从1/32到1/4分辨率的四个比例)。类似于[36]的语义分割分支，我们将FPN的信息合并到单个密集输出表示中。在金字塔的每个分辨率下，我们添加多个上采样块，使得每个金字塔产生维度为128 且 比例为1/4的特征图 (例如，我们为分辨率为1/32的金字塔添加3个上采样块，为分辨率为1/8的金字塔添加1个上采样)。每个上采样模块由一个3 × 3卷积、group norm[71]、ReLU [50]和 2×双线性上采样组成。最后，我们 对金字塔表示进行逐元素求和，并通过最终的1×1卷积。最终图像的维度为128，比例为1/4。由于我们在训练过程中使用大小为224×224的图像，因此由VADeR生成的特征图具有128×56×56的维度。
Training.
我们在ImageNet-1K [9] train split上训练我们的模型，包含大约1.28M的图像。用随机梯度下降优化f 的权重，权重衰减为0.0001，动量为0.9。我们使用4个批量大小为128的GPU 进行大约6M次迭代的训练。我们对编码器和解码器分别使用3e-7和3e-3的学习速率。我们将等式2乘以因子10，因为我们观察到，当使用非常少量的标签数据进行微调时，它会提供更稳定的结果。我们将温度τ设置为0.07。
通过对随机图像和两个视图进行采样来生成训练样本。我们存储属于两个视图变换图像的像素之间的对应流。在通过网络转发每个视图之后，我们应用等式2中的损失，将32对匹配的像素视为正对 (我们从所有匹配对中随机选择32对)。负样本是来自MoCo队列的元素。然后，我们用SGD更新网络f 的参数，用 f 的权重的移动平均值更新 g 的权重。最后，我们更新动态字典的元素，并重复训练。
我们选择用 MoCo [26] 初始化VADeR编码器的权重，以提高训练速度。解码器的权重是随机初始化的。我们认为MoCo是我们最重要的基线，有两个原因：(1)它是无监督视觉表示的当前技术水平，(2) 我们从MoCo初始化开始。我们还将我们的模型与在ImageNet-1K上用标签预先训练的ResNet-50 [28]进行了比较。MoCo包含与ResNet-50相同的容量，而由于解码器的原因，VADeR包含大约2M的额外参数。
4 Experimental Results
无监督学习的一个重要目标是学习可迁移到下游任务的特征。我们评估 VADeR 在 从识别到几何的 各种任务中 学习到的特征的质量（有关评估任务的示例，请参见图 3）。我们考虑两种迁移学习实验协议：(i) 特征提取，我们评估固定的学习特征的质量，以及 (ii) 微调，我们使用学习的特征作为权重初始化，并对整个网络进行微调。对于每个实验，我们为 VADeR 和基线考虑相同的模型和超参数，仅更改固定特征或微调初始化。有关下游任务的数据集和实现的更多详细信息，请参阅补充材料。
4.1 Feature Extraction Protocol
语义分割和深度预测。
我们遵循自监督学习 [21、37] 的常见做法，并使用线性预测器 评估固定的图像表示的特征质量。线性分类器是一个 1×1 卷积层，可将特征转换为 logits（后面接 softmax）用于每像素分类（语义分割）或 转换为单个值用于每像素回归（深度预测）。我们用交叉熵训练语义分割任务，用 L1 损失训练深度预测。我们在两个数据集（PASCAL VOC12 [17] 和 Cityscapess [7]）和一个深度预测数据集（NYU-depth v2 [51]）中测试冻结特征。在所有数据集中，我们在提供的训练集 2 上训练线性模型并在验证集上进行评估。
4.2 Fine-tuning Protocol
在本节中，我们比较了微调下游任务的功能有多好。所有基线都具有相同的 VADeR FPN 架构（如第 3.2 节所述），并使用相同的超参数和数据进行训练。除了权重初始化之外，其他一切都保持相同——这允许直接比较不同的初始化方法。我们将 VADeR 与两个编码器初始化进行比较：受监督的 ImageNet 预训练和 MoCo。与基线相反，VADeR 初始化 FPN 的编码器和解码器。在这些实验中，我们使用 [26] 中提出的微调设置：批归一化层使用 Sync Batch-Norm [58] 进行训练，我们在所有 FPN 层上添加批归一化。
目标检测、实例分割和关键点检测。
我们使用 带有FPN主干 [41] 的Mask R-CNN [27]。所有方法都使用标准指标在 COCO [42] 上进行训练和评估。我们使用 Detectron2 [72] 的实现来进行训练和评估。我们使用 [72] 提供的默认超参数（为 ImageNet 监督预训练选择）训练一种用于目标检测/分割的模型和一种用于关键点检测的模型。所有模型都在大约 12 个时期（schedule 1x）的受控设置上进行训练。
表 4 将 VADeR 与三项任务的基线进行了比较。 MoCo 已经是一个非常强大的基线，可实现与受监督的 ImageNet 预训练相似的性能。我们观察到 VADeR 在这些实验中始终优于 MoCo（和监督基线），显示出与全局表示相反，学习密集表示的优势。
4.3 Ablation Studies
视图的影响。
我们分析了在训练过程中正确匹配像素的重要性。表 3 显示了考虑三种像素匹配策略的结果。第一行（“不匹配”）忽略了同一场景的视图之间的对应关系图。它将随机像素对视为正对。第二行和第三行使用了正确的对应图。第二行（“相同视图”）始终考虑每对视图使用相同裁剪，而最后一行（“差异视图”）考虑不同的裁剪（具有不同的位置和比例）。 VADeR 默认使用第三种方法。报告了 Pascal VOC（以 mIoU 为单位）的语义分割和 DAVIS-2017（以区域相似性 J 为单位）的密集对应的结果。正如预期的那样，在视图之间使用随机像素匹配比使用正确的像素配对更糟糕（第 1 行与第 2 行和第 3 行）。我们还注意到，在配对视图（第 2 行与第 3 行）之间考虑相同或不同的裁剪时，识别任务的性能几乎没有变化。然而，对于对应关系，每个视图具有不同的裁剪提供了相当大的优势。
5 Conclusion
我们提出了 VADeR——View-Agnostic Dense Representations——用于密集表示的无监督学习。我们的方法通过 像素级对比学习 来学习表征。 VADeR 是 通过 强制匹配像素的表示（即来自描述同一位置的不同视图的特征）在嵌入空间中靠近，而不匹配的特征相距很远 来训练的。我们利用 从随机生成的场景视图中 导出的已知像素对应关系 来生成正对。定性的例子表明，VADeR特征可以发现高级视觉概念，语义分组可以从训练中出现，没有任何标签。我们表明，学习无监督的密集表示 对于下游像素级任务 比全局表示更有效。在从识别到几何的许多结构化预测任务中，与强基线相比，VADeR 取得了积极的成果。我们认为，学习无监督的密集表示对于涉及迁移学习的许多结构化问题 以及无监督或低数据机制问题很有用。
6 Broader Impact
我们的研究属于推进计算机视觉和场景理解的机器学习技术的范畴。我们专注于改善密集预测任务的图像表示，这包含了大量的基本视觉任务，如图像分割和目标检测。虽然使用这些应用程序可能有许多潜在的含义，但我们在这里讨论两个方面。首先，我们强调了在没有或很少标注数据的情况下，图像理解的一些社会含义。其次，我们提供了一些关于通用表征学习方法评估的基础研究问题的见解。
使用未标记数据提高图像理解能力，特别是对于像素级任务，开辟了广泛的对社会有益的应用，而这些应用是其他方法无法解决的。由于需要非常专业的标记器，医学图像应用程序缺乏标记数据。另一个应用是处理有害的在线内容，包括但不限于恐怖宣传、仇恨言论、假新闻和错误信息，这对政府和企业来说是一个巨大的挑战。让这些问题变得特别困难的是，很难获得干净的标记数据来训练机器学习模型——想象一下在不幸的克赖斯特彻奇袭击中通过直播视频拍摄恐怖袭击。自监督学习可能会推动模型的发展，以检测极其罕见但极具影响力的事件。另一方面，这种技术可能被滥用于侵犯隐私和言论自由。我们承认这些风险是任何非道德技术的一个特征，我们邀请各国政府、决策者和所有公民——包括研究界——努力在这些利益和风险之间取得平衡。
我们研究的另一个有趣的方面是 强调将表征学习方法与下游应用的性质相结合的重要性。通过我们的方法，我们表明，从未标记的数据学习像素级表示，我们可以在各种密集预测任务中胜过图像级方法。我们的研究结果强调，研究界应该超越有限的测试平台来评估通用表示学习技术。我们邀请进一步研究为此类方法开发综合评估协议。事实上，我们在计算机视觉领域看到了许多研究机会，例如开发一系列跨越各种几何和语义图像理解任务的标准化基准，以及设计可以弥合离线和在线性能差距的方法。
