SigLIP技术小结 | 莫叶何竹🍀

type

status

date

slug

summary

1 背景

CLIP[1]自提出以来在zero-shot分类、跨模态搜索、多模态对齐等多个领域得到广泛应用。得益于其令人惊叹的能力，激起了研究者广泛的关注和优化。

目前对CLIP的优化主要可以分为两大类：其一是如何降低CLIP的训练成本；其二是如何提升CLIP的performance。

对于第一类优化任务的常见思路有3种。1）优化训练架构，如LiT[2]通过freezen image encoder，单独训练text encoder来进行text 和image的对齐来加速训练；2）减少训练token，如FLIP[3]通过引入视觉mask，通过只计算非mask区域的视觉表征来实现加速（MAE[4]中的思路）。3）优化目标函数，如CatLIP[5]将caption转为class label，用分类任务来代替对比学习任务来实现加速。

对于第二类提升CLIP的performance最常用和有效的手段就是数据治理，即构建高质量、大规模、高多样性的图文数据，典型的工作如：DFN[6]。

SigLIP这篇paper提出用sigmoid loss来做图文对比训练。这个方案既能降低训练成本，在小batch下（低于32k）performance也优于传统方法。

2 Method

为了方便阐述，符号定义如下：

ㅤ	符号
image encoder
text encoder
image
text
mini-batch

对于经典的softmax-based优化目标InfoNCE，其核心思路是让positive的图文对的距离越近越好，让negative图文对的距离越远越好，计算公式如下：

其中：

InfoNCE的缺点

softmax的计算存在数值不稳定的问题，需要引入额外的trick保证softmax的计算稳定性。详情见附录。

计算量大。softmax loss的非对称（asymmetry），需要做了两次normalization，即。并且计算稳定性的trick也需要引入额外的计算量。

显存占用大，由于要计算normalize，需要维护一个很大的概率分布矩阵。假定batch size为32k，那么这个概率分布矩阵的大小为

下面来看文本提出的sigmoid loss 。其定义如下：

从上式可见，Sigmoild loss将每对图文对独立看待。即分别将每对图文对做二分类。

当时为正例。

当时为负例。

式子中，为图文对的标签，1表示是正例，-1表示是负例。直观来看，式(2)明显存在正负样本不均衡的问题，batch size为时，正例数为，负例数为。为了缓解正负样本不均衡，作者引入两个learnable parameter 来调节正负例的梯度，初始时，。附录对这两个参数的作用机理进行了浅要分析。

多卡场景下，可以用式(3)的通信策略实现高效训练。

sigmoid-based contrastive learning的理论说完了，下面从实验的角度分析sigmoid loss的一些特性。

3 Experiment

3.1 Setting

(一) 模型

作者将基于sigmoid loss训练的CLIP称为SigLIP(Sigmoid loss for Language-Image Pre-training), 将sigmoid loss和LiT[2]架构训练的CLIP称为SigLIT (sigmoid LiT)

(二) 评估指标

作者主要从以下2个指标来评估模型的性能

Imagenet的zero shot准确率

XM3600多语言数据集的zero shot跨模态搜索准确率。

(三)训练数据集

webLi[9]

3.2 The influence of batch size

在之前的研究表明[8]：对比学习的batch size越大，效果越好。但之前的研究受限成本，最大只研究到64k。这篇paper将batch size扩大到1M。结果表明，当batch size达到32k，继续扩大的收益就很低了，达到256k后，收益达到顶峰。随后根据上述经验，作者对比了sigmoid和softmax的scale up batch size的能力，有以下几点核心结论：

sigmoid loss相比softmax loss更节约显存。用sigmoid loss时，4张TPU-v4能够容纳4096个batch size，但若用softmax，batch size只能容纳2048。

在小batch下（batch size低于32k）sigmoid-based明显优于softmax-based loss，随着batch size进一步增加，二者差距逐渐减少。

作者给出了2个微调经验

1）微调时image encoder不要引入weight-decay

2）增加batch size时，transformer的训练开始变得不稳定，通过设小beta2有助于huan jie。

3.3 The influence of positive and negative pairs ratio

对于sigmoid来说，它的loss是以pair为粒度计算的，positive和negative非常不平衡。以batch size 为例（有16k个图文对）,只有个positive samples，但有个negative samples，其positive和negative的比率约为。

因此，有必要深入探究positive和negative的不平衡对模型的影响。得益于sigmoid loss(式2)以pair为粒度的计算方式，我们可以很方便的人为控制正负样本的比例。作者尝试了4种方式调控positive和negative的比例

Random: 通过随机mask掉negative sample，来保证positive和negative的占比

Hard：通过mask掉loss较低的negative sample ，来保证positive和negative的占比

Hard, matched pair：通过mask掉loss较低的negative的sample，来保证positive和negative的占比。由于上述mask的操作，模型的“pair seen”少，此实验通过增加iteration来保证”pair seen”和原始一致。（相当于常用的resample方法）

Easy：通过mask掉loss较高的negative sample，来保证positive和negative的占比。

作者在SigLIT上用进行以上四种mask out机制的实验。，迭代

结果表明：

不做matched pair的情况下，用3种mask方式均会造成精度下降。影响程度：easy>random>hard。

Hard sample mining + matched pair有助于进一步提升模型性能。

当正负样本的imbalance减弱时，learnable bias和pair的logit都在上升，说明了预设的learnable bias起到了积极的作用。

总体来看，得益于learnable temperature和learnable bias，sigmoid loss的正负样本不均衡基本不会导致模型性能下降。

文中对这两个超参数的初始值进行了进一步实验，结果如下。（可见引入合适的prior knowledge对提升模型performance非常有效）

3.4 Label noise robustness

作者进一步评估数据噪声对模型鲁棒性的影响。通过以下五种方法“污染”训练噪声：

Image：以概率将图文对的图片用均匀噪声替换；

Text：以概率将图文对的文本token序列用随机采样的等长token序列替换；

Batch alignment: 随机将batch中的的sample的图文pair进行shuffle；

Image & text: 同时进行1.和2.

Image, text & batch: 同时进行3和4

从结果可见，sigmoid loss在“污染”数据的performance更好。

4 小结

sigmoid-based contrastive learning从经典的softmax-based contrastive learning的“pick the right class”转化为“rate this pair”。这个转化实现了compute efficient和memory efficient，并在实验中证明，siglip在小batch下（低于32k）更具优势。