APE是ICCV2023的一篇文章，也是我在这个领域里接触的第一篇文章，这里主要做一下记录。

论文链接：2304.01195.pdf (arxiv.org)

代码链接：yangyangyang127/APE: [ICCV 2023] Code for "Not All Features Matter: Enhancing Few-shot CLIP with Adaptive Prior Refinement" (github.com)

概述

对于多模态任务而言，大量数据的获得是耗费人力和物力的，因此few-shot的训练方式一直备受关注。目前已经证实了CLIP模型的超强性能，很多研究人员提出了基于CLIP的检测算法，然而多数都是在研究如何更好地利用CLIP提取出的features，本文则从“Not All Features Matter”的角度进行了新的探索，提出了一个Adaptive Prior rEfinement方法，用于处理特征中的冗余信息，除此之外还提出了无需训练的APE和需要训练的APE-T方法。

相关介绍

基于CLIP的few-shot的图像分类工作已经存在很多，大致可以分为两类——Non-prior Methods和Prior-based Methods。

 如上图所示，图(a)就是前者[CLIP-Adapter]，这种方法随机初始化无CLIP先验的可学习模块，并在少量训练中进行优化。这种网络只引入了轻量级的可学习参数，但由于没有为附加模块明确考虑预训练的先验知识，因此其精度有限。图(b)为Prior-based Methods，基于先验的方法(Prior-based Methods)通过从少数镜头数据中提取clip提取的特征构建键值缓存模型，能够以不需要训练的方式进行识别，包括Tip-Adapter和Tip-X。他们可以进一步将缓存模型视为执行良好的初始化，并微调缓存键以获得更好的分类精度。这些基于先验的方法明确地将先验知识注入到训练过程中，但由于缓存大小大且可学习参数多，因此比较麻烦。而作者的想法就是将二者结合起来，提出了一个对the test image, the refined cache model, and the textual representations的三角关系进行探究的APE方法。

模型结构

Prior Refinement of CLIP

这个模块主要是通过提出的两个指标对特征进行去冗余操作，实现对不同的下游任务场景提取出重要的特征通道，从而改善特征质量。

Inter-class Similarity

 如果直接按照上图计算，那么计算成本过大，由于预训练好的CLIP已经能够很好对视觉语言信息进行匹配，因此作者选择使用文本特征替代图像的计算。通过计算得到了特征通道之间的相似度，从而能够选择出相似度较小的一部分特征通道，作为重要信息。

 Inter-class Variance

除了计算Inter-class Similarity，作者还引入了 Inter-class Variance用于提出差异度较大的一部分特征通道。

 最后通过调节系数对二者进行调整，构成了文章所提出了Prior Refinement of CLIP。其实，可以看出这个操作和通道注意力存在类似的思想，都是在通道维度上进行信息加强，还有很多其他的工作也是基于了类似的思想，可以作为一个idea用于不同领域，值得借鉴。

Training-free APE

 如上图所示，基于先验优化(PR)， APE以无训练的方式探索了视觉语言表征的三边关系。

 Training-required APE-T