如何在卷積神經網絡上運行 BERT？

(資料圖片僅供參考)

你可以直接用 SparK —— 字節跳動技術團隊提出的稀疏層次化掩碼建模 (Designing BERT for Convolutional Networks: Sparse and Hierarchical Masked Modeling)，近期已被人工智能頂會 ICLR 2023 收錄為 Spotlight 焦點論文：

論文鏈接：

https://arxiv.org/pdf/2301.03580

開源代碼：

https://github.com/keyu-tian/SparK

這也是 BERT 在卷積神經網絡 (CNN) 上的首次成功。先來感受一下 SparK 在預訓練中的表現吧。

輸入一張殘缺不全的圖片：

還原出一只小狗：

另一張殘缺圖片：

原來是貝果三明治：

其他場景也可實現圖片復原：

BERT 和 Transformer 的天作之合

“任何偉大的行動和思想，都有一個微不足道的開始。”

在 BERT 預訓練算法的背后，是簡潔而深刻的設計。 BERT 使用“完形填空”：將一句話中的若干詞語進行隨機刪除，并讓模型學會恢復。

BERT 非常依賴于 NLP 領域的核心模型 —— Transformer。

Transformer 由于生來就適合處理可變長度的序列數據（例如一個英文句子），所以能輕松應付 BERT 完形填空的“隨機刪除”。

視覺領域的 CNN 也想享受 BERT：兩個挑戰何在？

回顧計算機視覺發展史，卷積神經網絡模型 (CNN) 凝練了平移等變性、多尺度結構等等眾多經典模型精華，可謂 CV 界的中流砥柱。但與 Transformer 大相徑庭的是，CNN 天生無法適應經過完形填空“挖空”的、充滿“隨機孔洞”的數據，因此乍一看無法享受到 BERT 預訓練的紅利。

上圖 a. 展示的是 MAE (Masked Autoencoders are Scalable Visual Learners) 這項工作，由于使用的是 Transformer 模型而非 CNN 模型，其可以靈活應對經過帶有空洞的輸入，乃與 BERT “天作之合”。

而右圖 b. 則展示了一種粗暴融合 BERT 和 CNN 模型的方式——即把全部空洞區域“涂黑”，并將這張“黑馬賽克”圖輸入到 CNN 中，結果可想而知，會帶來嚴重的像素強度分布偏移問題，并導致很差的性能 (后文有驗證)。這就是阻礙 BERT 在 CNN 上成功應用的挑戰一。

此外，作者團隊還指出，源自 NLP 領域的 BERT 算法，天然不具備“多尺度”的特點，而多尺度的金字塔結構在計算機視覺的悠久歷史中可謂“金標準”。單尺度的 BERT，和天然多尺度的 CNN 之間的沖突，則是挑戰二。

解決方案 SparK：稀疏且層次化的掩碼建模

作者團隊提出了 SparK (Sparse and hierarchical masKed modeling) 來解決前文兩個挑戰。

? 其一，受三維點云數據處理的啟發，作者團隊提出將經過掩碼操作 (挖空操作) 后的零碎圖片視為稀疏點云，并使用子流形稀疏卷積 (Submanifold Sparse Convolution) 來進行編碼。這就讓卷積網絡能夠自如處理隨機刪除后的圖像。

? 其二，受 UNet 優雅設計的啟發，作者團隊自然地設計了一種帶有橫向連接的編碼器-解碼器模型，讓多尺度特征在模型的多層次之間流動，讓 BERT 徹底擁抱計算機視覺的多尺度黃金標準。

至此，一種為卷積網絡 (CNN) 量身定制的稀疏的、多尺度的掩碼建模算法 SparK 誕生了。

SparK 是通用的：其可被直接運用在任何卷積網絡上，而無需對它們的結構進行任何修改，或引入任何額外的組件——不論是我們耳熟能詳的經典 ResNet，還是近期的先進模型 ConvNeXt，均可直接從 SparK 中受益。

從 ResNet 到 ConvNeXt：三大視覺任務性能提升

作者團隊選擇了具代表性的兩個卷積模型家族 ResNet 和 ConvNeXt，并在圖像分類，目標檢測、實例分割任務上進行了性能測試。

在經典 ResNet-50 模型上，SparK 作為唯一的生成式預訓練， 達到了 State-of-the-art 水準：

在 ConvNeXt 模型上，SparK 依舊領先。在預訓練前，ConvNeXt 與 Swin-Transformer 平分秋色；而經預訓練后，ConvNeXt 在三個任務上均壓倒性超過了 Swin-Transformer：

當從小到大，在完整的模型家族上驗證 SparK，便可觀察到：

無論模型的大與小、新與舊，均可從 SparK 中受益，且隨著模型尺寸/訓練開銷的增長，漲幅甚至更高，體現出 SparK 算法的擴放 (scaling) 能力：

最后，作者團隊還設計了一個驗證性的消融實驗，從中可見稀疏掩碼和層次化結構 (第3行和第4行) 均是非常關鍵的設計，一旦缺失就會造成嚴重的性能衰退：

關鍵詞： 計算機視覺 天作之合 神經網絡