CLIP 读书笔记

论文：Learning Transferable Visual Models From Natural Language Supervision

CLIP： Contrastive Language-Image Pre-training

文中27个数据集简介：

数据集	简要描述	数据集类型
StanfordCars	196类小汽车， 16185张图片	细粒度分类
Country211	211个国家的带有GPS信息的图片，以评估视觉预测地理定位能力	？
Food101	101种食物，101k张图片	细粒度分类
Kinetics700	700种人类动作，每个动作700个视频片段	细粒度分类
SST2	文本情感分析数据集	？
SUN397	场景理解数据集，899个场景130k张图片	粗分类
UCF101	101种人类行为动作数据集	细粒度分类
HatefulMemes	可引起仇恨多模态图文对数据集	？
CIFAR10	10种类别数据集	粗分类
CIFAR100	100中类别数据集	粗分类
STL10	类似cifar数据集，每个类别有大量无标注图片	粗分类
FER2013	7分类表情数据集	细粒度分类
Caltech101	101种类别数据集	粗分类
ImageNet	1000种类别数据集	粗分类
OxfordPets	猫狗数据集	细粒度
PascalVOC2007	物体检测数据集	粗分类
Birdsnap	500种鸟类数据集49k张图片	细粒度
MNIST	10个数字分类	粗分类
FGVCAircraft	102种飞机数据集，每一类100张图片	细粒度
RESISC45	45种遥感场景图片数据集	粗分类
Flower102	102种花朵数据集，每种40-258张	细粒度
DTD	纹理数据集	粗分类
CLEVRCounts	合成的视觉问答数据集	粗分类
GTSRB	德国交通信号灯分类数据集	粗分类
PatchCamelyon	淋巴切片组织病理学扫描	粗分类
KITTI Distance	移动机器人和自动驾驶距离预测	回归
EuroSAT	遥感卫星图片10种类别	粗分类

论文针对27个数据集，关于零样本CLIP与全监督ResNet50基准模型进行对比。参考下图

（1）在细粒度分类数据集上，在有的数据集如StandfordCars和Food101上明显由于基准ResNet50 20个百分点；而在有些数据集上如Flowers102和FGVCAircraft上则明显低于基准10个百分点。论文猜测是由于不同监督任务的数据量有很大区别，但是结合上面粗略统计这4个细粒度数据集，类别的数量和每个类别下图片的数量都没有太大区别。

（2）Kinetic700和UCF101是人类动作分类数据集，零样本学习CLIP方法比基准方法高 10百分点上下。论文解释自然语言为涉及动词的视觉概念提供了更广泛的监督，而单纯的视觉监督任务主要以名称为主。

（3）零样本学习CLIP方法在更专业的复杂的抽象的任务上如遥感图像分类如EuroSAT和RESISC45，淋巴结肿瘤检测如PatchCamelyon,合成场景物体计数CLEVRCounts，自动驾驶相关的交通信号识别GTSRB，最近汽车距离识别KITTI Distance这些任务上，该方法表现比基准方法差很多。但是非专业人员在如卫星图片分类、计数、交通信号灯识别变现很稳健，说明零样本学习CLIP方法还有很大的改进空间。但是对于一些专业性很强的任务中，如淋巴结肿瘤辨别，即使是非专业人员也很难识别。零样本学习方法相比小样本学习方式，哪个更合适还有待进一步讨论。

Fig. 1

Zero-CLIP方法与few-shot方法对比

直觉认为Zero-shot方法会比few-shot方法性能差，实际表现是Zero-CLIP方法相当于基于相同特征空间 4-shot 线性分类方法。之所以如此，是由于这两种方法的区别。基于CLIP 的Zero-shot分类器，具备自然语言和视觉区分能力，还学习到了语言域和视觉域之间的关联。而常规的监督学习方法，并不能直接从训练样本中学习到概念（分类任务都会把类别标签都转换为0，1，2，……这些数字），另外图片中，经常包含多个不同视觉主体，而标签仅仅给出的其中的一个。

Linear probe CLIP：指基于CLIP特征，进行分类器单独训练。基于上述分析，Linear Probe CLIP 在开始1-shot，2-shot时还不如 Zero-Shot CLIP，单独训练分类器反而更差了。当每个类别变多时，效果才逐渐超过Zero-shot CLIP方法。在20个数据集上验证了，Zero-CLIP方法相当于基于相同特征空间 4-shot 线性分类方法。而基于其它Backbone提取的特征进行16-shot 分类，都不如Zero-Shot CLIP 方法。而16-shot CLIP 比16-shot 其它backbone方法高出10个百分点。

Fig. 2

Fig1是 Zero-CLIP方法与ResNet50监督方法进行对比，而Fig3是Zero-CLIP方法与基于CLIP特征空间的few-shot性能对比，这个对比是要求few-shot达到Zero-CLIP方法一样性能下数据集每个类别所需要的最少数量。Fig2表明基于CLIP特征的few-shot 并未都超过了Zero-CLIP，只有few-shot的每个类别数量超过一定数量如4-shot，才超过Zero-CLIP。

从Fig.3看出，达到Zero-CLIP的性能，在不同数据集上，基于CLIP特征训练分类器，不同数据集每个类别样本数量是不相同，从不到1个到最大的要求184个。