对比学习：MoCo :Momentum Contrast for Unsupervised Visual Representation Learning

参考链接

• 论文链接：https://link.zhihu.com/?target=https%3A//arxiv.org/abs/1911.05722
• 代码链接：https://github.com/facebookresearch/moco

Introduction

• 无监督的表示学习在NLP领域已经取得了巨大的成功，比如：bert预训练模型；但是再CV领域，监督的表示学习还是比无监督的表示学习要好。这主要的原因是什么呢？论文认为：主要的原因是NLP和CV的信号空间不一样
  • NLP是基于字典的离散的信号空间，所以可以基于这个字典进行无监督的表示学习。
  • CV是信号空间是连续的，高维的和无结构的，所以该领域一直在关注构建字典进行无监督表示学习。
  • 【对于预训练(表示学习)与词典的关系，可以通过原论文进行更深入的思考】
• 而最近的对比学习为CV的表示学习带来了希望，论文认为：对比学习相当于构建一个动态的字典。这个动态字典的key从数据中采样获得images 或者 patches【这些key就相当与NLP领域词典中的字】；key的表示通过一个编码网络产生【key的表示相当于词的embedding或者bert最后的隐藏层输出】，这个编码网络就是我们要学习的预训练模型。
• 思考：这里可以将图像的信息空间视为一个无限大(连续)字典，而对比学习构建的这个动态字典就是这个无限大字典的一个采样。这些样本的表示(embedding)是编码器的输出，那么这个编码的过程可以理解为查字典过程。
• 论文中提出了 Momentum Contrast(MoCo) 模型，用于构建一个大的一致性的字典。并且使用一个 队列 来存储这个字典(中间存储之前mini-batch中被编码样本的表示)。这种方法使得字典的大小不在依赖与mini-batch的大小，这就使得字典可以更大。

Method

Pretext Task(预训练任务)

• 为了更好的理解这篇论文的方法，我们先介绍一下论文所使用的预训练任务；

• MoCo模型适用许多的预训练任务(pretext tasks),但论文中使用实例消歧任务(instance discrimination task) 来进行实验：预测一个query和一个key是否是来自同一张图片的不同视角(view)

• 了解的任务我们就可以看一下模型整体架构图：

  

• 顺着这张图可以直观的介绍一下论文使用的对比损失函数(contrastive loss)：

  
  其中$T$是温度，$k_{+}$表示唯一的正例。分子的求和是$K$个负例和一个正例。很明显的可以看到这实质上就是一个交叉熵损失函数。

• 这里我们也可以对比NLP的语言模型，把$q$理解为前一个词，而 K + 1 K+1