NeurIPS 2022 - SlotCon: 以对象为中心的自监督表征学习

Object discovery旨在无监督地发现图像中的物体，而此前该领域中的工作长期局限于合成数据集。在发表于NeurIPS 2022的工作Self-Supervised Visual Representation Learning with Semantic Grouping (SlotCon)中，我们试图传达这样的消息：在大规模真实世界图像数据上，无监督且可学习的object discovery是可行的，并且可以与object-centric自监督表征学习结合，互利彼此。

Context：基于场景数据的自监督预训练

左：object-centric数据与scene-centric数据对比；右：建立在不同粒度feature上的对比学习范式。

这篇工作主要面向的问题是基于场景数据的自监督视觉表征学习（预训练）。传统的视觉预训练框架往往局限于类似ImageNet的object-centric数据集：每张图往往聚焦于一个醒目而单一的物体；而我们希望将这种范式推广到更为general的场景数据上（如COCO）：每张图片上可能有多个物体，大小各异，且分布多样。这种推广的好处是显而易见的：对收集数据有更低的要求、预训练数据与下游（检测与分割）数据有更小的gap、单张图片包含的信息更为丰富。然而，直接将先前的图像级对比学习框架应用到场景数据上并不自然，因为现在代表一个图像的vector不再表示一个物体，而是一整个场景。

在上图右侧我们对比了三种不同的对比学习范式：两个view间对比学习loss的一致性关系建立在图像级、像素级，还是对象级表征之间。图像级表征对于场景数据过于粗糙，而像素级表征又过于精细，这条线的工作往往还要加一个图像级的loss来补充high-level的信息。最右这种对于每种物体/语义单独表示，再在object-level representation之间进行对比学习的范式较好地平衡了表征的粒度，也更适合场景数据。然而，这里引出了一个关键问题：如何无监督地找到这些物体（object discovery）？

Object Discovery

Objectness priors

往期工作为了获取objectness prior，往往采用一些hand-crafted method，例如saliency, selective-search, 传统分割方法, k-means clustering等。然而这里有一个concern：手工设计的objectness prior可能会限制所学representation的upperbound，那么我们是否可以让object discovery这部分也end-to-end地学习呢？

Object discovery其实也是个挺热门的领域（详细的review见paper related work），但是这方面的工作一直主要局限于合成数据集（如CLEVER），学习范式基本也是autoencoder+重建。在真实场景数据work的工作往往基于视频，且依赖motion或depth作为condition。概括来讲，它们的philosophy都是基于bottom-up的策略（texture, motion, depth, ...）去获得objectness，对于合成数据怎么搞都行，但是真实场景中low-level cue的组合就太过复杂，难以从单张图像中compose出object。这里我们转而采用top-down的策略，从整个dataset中总结high-level的共性：如上图右侧所示，我们学习一些含有语义的prototype（每个prototype绑定到不同语义），这样对于feature map中的每个pixel，只需要assign它最近邻的prototype作为label，单张图中label相同的pixel即构成了一个object（严格意义上应当称为semantic object）。

OK，听上去好像不错，那么这些semantic prototype从哪来？我们采用的技巧可以简单概括为pixel-level deep clustering。Deep clustering旨在于采用可学习的方式得到有意义的prototypes，其核心insight为：同一张图的不同增广版本应当有同样的prototype assignment（pseudo label），另外需要一些正则项来保证prototypes的多样性。这个套路应用到pixels上也同样有效，并且在unsupervised semantic segmentation上也有成功的先例（PiCIE） 。我们的方法可以理解为综上技巧的有机结合。

方法概述

SlotCon整体框架

我们的框架完全随机初始化，在没有任何label的情况下，end-to-end地同时学习解决object discovery以及object-centric representation learning两个task。技术上，最最简单的理解可以认为是pixel-level DINO+object level MoCo v3。对于object discovery，我们在pixel-level assignment maps上将两个view中的overlap区域切出来并在空间上align好，对于每个位置相同的pixel-pair，要求其对prototypes的assignment一致；对于representation learning，我们在feature map上将语意相同的pixels聚合到一起（称为slot, 即object-level representation），在不同view间的slots上进行contrastive learning。两个objective相互促进，共同优化。

实验

对representation learning的评估

这里和其他做pretrain的工作类似，只取backbone然后在object detection/instance segmentation/semantic segmentation任务上做transfer learning来做评估。

COCO pretrain结果

我们在场景数据pretrain的基准setting为COCO pretrain 800 epochs。在不采用multi crop这种trick以及不采用objectness prior的情况下，我们的方法相对于先前工作在所有下游任务上都体现了显著的提升。

COCO+ pretrain结果

更进一步，我们把COCO unlabeled子集也加进来，构成COCO+（大概两倍COCO大小），效果进一步显著提升。

更为激动人心的是，COCO+只有ImageNet-1K的1/5大小，而我们却可以得到和ImageNet-1K近似的表现，这说明我们的方法成功利用到了场景数据中蕴含的更为丰富的信息。

ImageNet-1K pretrain结果

我们也汇报了在经典的object-centric数据集ImageNet-1K上pretrain的结果。在不针对检测任务做特别设计（带FPN head一起pretrain），以及不利用objectness prior的情况下，我们的方法也有着不错的表现。

对object discovery的评估

Unsupervised semantic segmentation结果

需要注意的是我们的框架focus在representation learning，所以采用了很低的分辨率（7x7）。这里在unsupervised semantic segmentation上的评测只是为了对网络的object discovery能力有定性和定量的认识，而非在该task上提出一个新的SOTA。这里prototype和真实class的匹配采用了hungarian matching。尽管boundary并不太好，这个质量对于pretraining来说已经完全够用了。

prototype可视化

我们进一步可视化了每个prototype的nearest neighbors，如上图，prototypes可以绑定到一系列不同的语义上，它们范围广泛，而且对物体大小或遮挡与否并不敏感。这个结果可以说非常有趣了。

消融实验

比较值得注意的消融实验有两个：一是要把prototype的数量设定在一个比较接近pretrain数据集真实语义数量的值（COCO设256）；二是data augmentation中geometric augmentation非常重要，如果一直采用两个identical crops，模型就学不到objectness，representation质量也会明显下降。更详细的ablation study请参见paper。

其他discussions

如何学到有意义的objects

经验上我们总结了3个关键点：

1. geometric covariance和photometric invariance：前者对应resize, flip等变换，后者对应color jitter, gaussian blur等变换。

2. 避免坍缩：follow deep clustering中避免prototypes坍缩的技巧。

3. 把prototype数量设定在一个比较小，接近数据集真实semantic数量的数值（默认COCO采用256，ImageNet采用2048）。

模型的bias

作为一个learnable的方法，总是要有些bias的。我们发现模型对COCO中的头部类别：human相关概念有特别的偏好，会慷慨地分配很多prototype给与人相关的运动以及身体部位。我们分析是网络认为这样会更容易解决pretext task。而对于更少出现的其他动物，分配一个prototype就好。如何更好的引入类别粒度的先验会是一个值得讨论的问题。

模型学到的human-related prototypes

而在更为极端的pretrain数据，例如自动驾驶场景上，模型表现也有一定程度降低。在这种长尾且多样性较差的场景数据上如何进行更有效的pretrain也是值得进一步研究的问题。

一些关于slots的数据

我们也统计了一些关于slots的数据。在训练过程中，随着模型表征能力与object discovery能力逐渐增强，每张图上的slot数量逐渐降低，最终收敛到与真实的平均单图物体数（7.3）接近的水平。至于每个prototype被激活的频率，则与真实类别分布类似（因为每个prototype绑定到一种语义）。

总结

我们的方法说明：自然场景的分解（scene decomposition）可以和representation一起learn from scratch；semantic grouping的范式让大规模真实场景图像数据中的object discovery成为可能；二者的结合促生了一种在场景数据上进行自监督预训练的有效方法。