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：

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。