Meta AI推出“雜食者”：一個模型搞定影像、視訊和3D資料三大分類任務，效能還不輸獨立模型

豐色 發自 凹非寺
量子位 | 公眾號 QbitAI

最近，Meta AI推出了這樣一個“雜食者” （Omnivore）模型，可以對不同視覺模態的資料進行分類，包括影像、視訊和3D資料。

比如面對最左邊的影像，它可以從深度圖、單視覺3D圖和視訊資料集中搜集出與之最匹配的結果。

這在之前，都要分用不同的模型來實現；現在一個模型就搞定了。

而且Omnivore易於訓練，使用現成的標準資料集，就能讓其效能達到與對應單模型相當甚至更高的水平。

實驗結果顯示，Omnivore在影像分類資料集ImageNet上能達到86.0%的精度，在用於動作識別的Kinetics資料集上能達84.1%，在用於單檢視3D場景分類的SUN RGB-D也獲得了67.1%。

另外，Omnivore在實現一切跨模態識別時，都無需訪問模態之間的對應關係。

不同視覺模態都能通吃的“雜食者”

Omnivore基於Transformer體系結構，具備該架構特有的靈活性，並針對不同模態的分類任務進行聯合訓練。

模型架構如下：

Omnivore會將輸入的影像、視訊和單檢視3D影像轉換為embedding，並饋送到Transformer中。

雖然它可以使用任何vision transformer架構來處理patch embedding，但鑑於Swin transformer在影像和視訊任務上的強大效能，這裡就使用該架構作為基礎模型。

具體來說，Omnivore將影像轉為patch，視訊轉為時空tube（spatio-temporal tube），單檢視3D影像轉為RGB patch和深度patch。

然後使用線性層將patches對映到到embedding中。其中對RGB patch使用同一線性層，對深度patch使用單獨的。

總的來說，就是通過embedding將所有視覺模式轉換為通用格式，然後使用一系列時空注意力（attention）操作來構建不同視覺模式的統一表示。

研究人員在ImageNet-1K資料集、Kinetics-400資料集和SUN RGB-D資料集上聯合訓練出各種Omnivore模型。

這種方法類似於多工學習和跨模態對齊，但有2點重要區別：

1、不假設輸入觀測值對齊（即不假設影像、視訊和3D資料之間的對應關係）；

2、也不假設這些資料集共享相同的標籤空間（label space）。

效能超SOTA

實驗方面，首先將Omnivore與各視覺模態對應的特定模型（下表中指Specific）進行比較。

一共有三種不同的模型尺寸：T、S和B。

預訓練模型在七個下游任務上都進行了微調。

影像特定模型在IN1K上預訓練。視訊特定模型和單檢視3D特定模型均使用預訓練影像特定模型的inflation進行初始化，並分別在K400和SUN RGB-D上進行微調。

結果發現，Omnivore在幾乎所有的下游任務上的效能都相當於或優於各特定模型。

其中尺寸最大的Swin-B實現了全部任務上的SOTA。

將Omnivore與具有相同模型架構和引數數量的特定模型比較也是相同的結果。

其中Omnivore在IN1K、K400和SUN資料集上從頭開始聯合訓練，而特定模態的模型針對每個資料集專門訓練：

ImageSwin模型從零開始訓練，VideoSwin和DepthSwin模型則從ImageSwin模型上進行微調。

接下來將Omnivore與影像、視訊和3D資料分類任務上的SOTA模型進行比較。

結果仍然不錯，Omnivore在所有預訓練任務中都表現出了優於SOTA模型的效能（下圖從上至下分別為影像、視訊和3D資料）。

此外，在ImageNet-1K資料集上檢索給定RGB影像的深度圖也發現，儘管Omnivore沒有接受過關於1K深度圖的訓練，但它也能夠給出語義相似的正確答案。

最後，作者表示，儘管這個“雜食者”比傳統的特定模式模型有了很多進步，但它有一些侷限性。

比如目前它僅適用於單檢視3D影像，不適用於其他3D表示，如體素圖（voxels）、點雲圖等。

論文地址：

程式碼已開源：