你算个什么鸟?AI十级“找茬”选手诞生

识别准确率达91.3%

杨净 丰色 发自 凹非寺

量子位 报道 | 公众号 QbitAI

你算个什么鸟?

面对上面这两张图,一个AI发出了灵魂拷问。

左边桃面牡丹鹦鹉,右边费氏牡丹鹦鹉

一眼识破的它早就看到左边的鸟的喙部和眼圈与右边的不一样。

不行,再来!再来看这组。(文末揭晓答案)

好,我放弃了。

这个来自浙大计算机学院和阿里安全的“找茬”选手,识别准确率达到了91.3%,已经是业内最优水平。研究成果已被多媒体国际顶会ACM MM 2021收录。

不光鸟,阿猫阿狗也能行,甚至花草植物也能行。

看看这连两张照片,吉娃娃还是英国玩具梗?

再来看这一波,羊驼还是美洲驼?驴还是骡?玫瑰还是羽衣甘蓝?

AI好眼力!那到底是如何练成的?

AI如何练就的一副好眼力?

实际上,这涉及到计算机视觉领域一个经典问题——细粒度图像识别,让AI一眼锁定类别之间的细微差异。

看起来简单,实际不简,就比如下面左边这俩。

对于AI来说,区域注意力的定位和放大是保证识别准确率一个重要因素,此前大量基于CNN的探索发现,CNN的感受野有限,且缺乏全局依赖关系的建模能力

感受野:网络内部的不同位置的神经元对原图像的感受范围

研究人员认为,与CNN相比,图像序列化是一种全新的方式。

他们把目光转向了最近在CV领域取得了非常多研究进展的视觉Transformer(ViT)。

一开始,研究人员引入了ViT中的自注意力机制,提取图像中的长距离依赖关系。

不过ViT的感受野大小相对固定,对图像中的每个patch的关注程度没有产生区分,也就给细粒度图像识别带来了性能局限。

既然如此,那该如何让AI找准“重点”呢?

研究人员决定使用注意力权重的强度来衡量对应于原始图像的patch重要性,提出了多尺度循环注意力的Transformer(RAMS-Trans)。

它利用Transformer的自注意力机制,以多尺度的方式循环地学习判别性区域注意力。

团队成员之一,阿里安全图灵实验室算法专家炫谦介绍道:

我们方法的核心是动态patch建议模块 (DPPM)引导区域放大,以完成多尺度图像patch块的集成。

DPPM从全局图像开始,迭代放大区域注意力,以每个尺度上产生的注意力权重的强度为指标,从全局到局部生成新的patch块。

具体来说,首先提取ViT每层的自注意力机制,并进行归一化,然后采取累乘的方式对自注意力整合。

然后,得到了整合后的自注意力均值分布矩阵,由于细粒度图像识别任务的关键因素在于局部注意力,其往往存在于图像的局部区域,如鸟的尾部、喙和蛙类的头部等。

因此研究者需要通过设定阈值的方式来“过滤”不需要的部位,增强对局部判别性区域的识别能力。

最后,研究者通过插值算法将选定的patch块放大到原图像的尺寸,通过共享参数的模型,重新进行训练,整体结构对应于文章所提的多尺度循环机制。

下图为RAMS-Trans在识别鸟类时根据注意力权重生成的注意图(attention map)。

△第二、三行分别为从原始和重新训练过的注意权重生成

扩展到更多动物身上的效果:

战绩如何?

RAMS-Trans只需要ViT本身附带的注意力权重,就可以很容易地进行端到端的训练。

实验表明,除了高效的CNN模型外,RAMS-Trans的表现比同期进行的工作更好,分别在CUB-200-2011(鸟类识别)、Stanford Dogs(狗类识别)、iNaturalist2017(动植物识别)获得SOTA。

分别达到91.3%、68.5%、92.4%的识别准确率。

在不同种类动植物的细粒度判别时,RAMS-Trans可以聚焦到类别的独特特征区域。

△第二、四、六行分别为放大到原图像尺寸的的patch块

针对不同类别识别准确率不同,甚至还有较大的区别,一作浙大博士胡云青解释道,主要有两方面的因素。

一是因为Stanford Dogs本身的类别数比其他两个数据集都要小。只有120分类(CUB是200,而iNaturaList更是达到了5089)。

类别数越多,通常意味着该数据集的细粒度问题越严重,因此RAMS-Trans在更细粒度的数据集上取得的提升相对明显。

二则因为在某个类别上大部分样本具有相似的特征,而不同种类间的狗也具有明显的判别性特征。

比如大部分博美都有相似的毛色和头型;德牧和金毛之间,人眼就可以做到明显区分。

通过消融实验发现,当分辨率为320、阈值为1.3、patch方案为DPPM、patch块大小为16×16时,模型效果最好。

接下来,团队还将在两个方面进行优化:

  • 提高定位能力。

目前,RAMS-Trans在原图上以patch为最小单位进行判别性区域定位和放大的过程,对于细粒度图像识别来说,这个较为“精细”的任务来说还是相当粗旷。

  • 动态网络的引入,包括动态训练和动态推理等。

另外,已经有了可预见的应用场景,比如野生动物保护治理、山寨商标的识别。

浙大&阿里安全

这项研究主要由浙江大学计算机学院、阿里安全图灵实验室共同完成。

其中第一作者胡云青,目前浙江大学计算机学院DMAC实验室博士在读,师从张寅教授。此外还是阿里安全图灵实验室实习生。

论文链接:
https://arxiv.org/abs/2107.08192

版权所有,未经授权不得以任何形式转载及使用,违者必究。