Prompting Learning在CV领域的进展

始于NLP

prompt介绍

简单来讲，Prompt就是对原来的输入文本进行一定的处理，使得在不改变预训练模型参数的情况下，相应任务的性能变高。例如，原输入文本为：I received the offer from ETH. ，对于文本分类，我们将其修改为I received the offer form ETH, I’m so [MASK]；[MASK]可以为一些表示情绪的词，比如happy，那么相对于原文，修改后的句子更容易被分为happy类。如果将其改为I received the offer from ETH. Chinese:[MASK]，则对于翻译任务来讲，更容易取得正确的翻译效果。所谓的修改方式如下图：

 NLP中的Prompt算法步骤：

Prompt Addition： 这一步就是如何修改原文本。

Answer Search： 构建相应的answer空间，例如，文本分类，设置为（happy， good， terrible等）。

Answer Mapping： 在某些时候answer并不是我们最终想要的结果，比如我们最终想要的结果为positive和negative；那么则需要将happy,good映射为positive，将terrible映射为negative。

NLP领域提出了Prompt新范式，企图革新原先的Fine-tuning方法，而在CV领域prompt可以理解为图像的label设计，从这个角度看，prompt(预测文本中的mask字符，完形填空式）其实是介于Image caption(给出一幅图，生成一段描述的文字，迭代预测出每一个字符）和one-hot label (one-hot可以认为是prompt的特例，单字符通过文本编码器编码成one-hot)之间的任务。

prompt与fine-tuning

Prompt v.s. Fine-tuning

 

                     （1）Fine-tuning                                                         （2）prompting

其中，LM是预训练语言模型，矩形框表示各种下游NLP任务，他们的共同点是“希望预训练语言模型与下游任务靠的更近，只是实现方式不一样”。

• Fine-tuning: 预训练语言模型“迁就”下游任务。具体通过引入各种辅助任务的loss，将其添加到预训练模型中，然后继续pre-training，以便让其更加适配下游任务，这个过程预训练语言模型做出了更多的牺牲。

• Prompting：各种下游任务“迁就”预训练语言模型。具体对不同任务进行重构，使得它能够直接适配预训练语言模型，这个过程下游任务作出更多的牺牲。

Prompting Learning在CV领域的进展

CLIP（Learning Transferable Visual Models From Natural Language Supervision）

文章链接：http://proceedings.mlr.press/v139/radford21a/radford21a.pdf

CLIP是该领域的开山之作，其从网上收集了4亿个图片文本对用于训练，最后进行zero-shot transfer到下游任务达到了非常好的效果，主要流程如下：

 

 训练阶段：文本会通过Text Encoder（Transformer）编码成一些文本Embedding向量，图像会通过Image Encoder（ResNet50或VIT）编码成一些图像Embedding向量，然后将文本Embedding和图像Embedding归一化后通过点积计算出一个相似度矩阵，这里值越接近于1代表文本Embedding和图像Embedding越相似，即这个文本和图像是配对的。我们的目标是让这个相似度矩阵对角线趋向于1，其他趋向于0（对角线代表图像和文本配对）。

测试zero-shot阶段：会将一张没见过的图片通过image Encoder得到图像embedding，然后将所有可能的类别，通过构造a photo of a {object}的文本标签（prompt），将所有类别填入object处，通过text encoder，得到所有类别对应的文本embedding，将文本embedding和图像embedding归一化后进行点积，选择点积最大的一个文本-图像对，该类别则为预测类别（图像分类任务）。

CoOp: Learning to Prompt for Vision-Language Models

文章链接：https://arxiv.org/pdf/2109.01134.pdf

 CoOp的motivation如上图所示：CLIP是固定prompt：a photo of a [class]，但是不同prompt的影响很大，比如从图a可以看出，少了一个a，acc直接低了6个点。每次根据人工设计prompt太麻烦，设计的还不一定好，所以应该像Prefix Tuning一样，学一个连续的prompt。 CoOp从原来a photo fo a [class]转换成[V]1[V]2...[V]M[CLASS]，这样可学习的连续的prompt，这样就不需要人工去设计prompt了。这里的prompt分为unified和class-specific两种，unified context即对所有类别都是学一组一样的prompt参数，class-specific context指的是对每一个类别学一个单独的prompt 参数，事实证明后者对一些细粒度的任务效果比较好。（还有instance-specific context这种更细粒度的可能，为啥这里没提呢？因为当时作者没想好怎么设计，想好之后又写了一篇CoCoOp）另外这里prompt里的[CLASS]不一定要放最后，也可以放句中，那这样学习明显更加灵活。

 

在实验这有一个有意思的发现：nlp领域有一篇叫OptiPrompt的文献，提出连续的prompt不一定要随机初始化，可以用人工设计的prompt的embedding初始化来引入专家经验，CoOp做实验发现就算prompt参数是随机初始化的也能到达一样的效果。

CoCoOp: Conditional Prompt Learning for Vision-Language Models

文章链接：https://openaccess.thecvf.com/content/CVPR2022/papers/Zhou_Conditional_Prompt_Learning_for_Vision-Language_Models_CVPR_2022_paper.pdf

 CoCoOp的motivation如上图所示：作者发现他们之前提的CoOp在训练过类别的数据集上表现的很好，但是面对新的类别，能力却很差，从80的acc降到65，而原版的CLIP却保持了还不错的泛化能力，引起了作者思考，作者认为这是因为CoOp在下游任务上训练时容易overfit base classes上。我认为本质原因一方面因为用的prompt是unified或者class-specific，而不是instance-specific context，另一方面我认为用unified也可以，但是要有足够的数据学到真正的unified的特征。

 CoCoOp的做法很简单，在CoOp的基础上，引入了一个轻量的网络Meta-Net（仅仅是Linear-ReLU-Linear），将image Encoder的输出通过Meta-Net得到一个M维的向量，将这M维的向量直接加在CoOp上的每一个prompt token上，通过这种方式做到instance-specific context。这种方式其实就是把每个图片的特征引入了prompt的构造里，所以CoCoOp的第一个Co就是指这种Conditional。

DenseCLIP: Language-Guided Dense Prediction with Context-Aware Prompting

文章链接：https://openaccess.thecvf.com/content/CVPR2022/papers/Rao_DenseCLIP_Language-Guided_Dense_Prediction_With_Context-Aware_Prompting_CVPR_2022_paper.pdf

 

作者提出了prompt构造的2种方式。

Pre-model prompting：即将图像通过image encoder之后得到图像embedding，这个embedding将作为Transformer的k和v输入进一个Decoder里面生成一个prompt的模板。这种方式和CoCoOp就挺像的，只不过CoCoOp是用一个很简单的backbone生成一个M维的token，再把这个token加在原来CoOp上生成的每一个prompt向量，这里是直接用一个更复杂的backbone直接生成一个prompt。

Post-model prompting：即将图像通过image encoder之后得到图像embedding，然后作为k和v输入进decoder，这里decoder的query是CoOp生成模板加上[class]后的文本通过text encoder的文本embedding，通过decoder生成一个Vpost和文本向量做相加来更新文本特征，经过实验发现第二种方式更好。从直观上也很好理解，因为这样的prompt image encoder和text encoder都参与了。

Unifying Vision-and-Language Tasks via Text Generation

文章链接：http://proceedings.mlr.press/v139/cho21a/cho21a.pdf

 现在vision-language learning的方法都是task-specific的，即要为每个下游任务特别设计，本文利用prompt设计来兼容7个下游任务的学习，如上图所示，对不同的下游任务只需要加上不同的文本前缀即可，比如一个视觉问答的任务就加上vqa，对visual grounding的任务就加上visual grounding即可。具体模型如下所示：

 整体流程是一个encoder-docoder的结构，encoder部分将prefix prompt、text embedding、 visual embedding作为输入，其中visual embedding由faster-rcnn提取的ROl features、Box coordinates, image ids, region ids构成，把encoder输出的结果传递给一个自回归的decoder得到模型的输出。不同下游任务模板如下所示：

 MAPLE: MULTI-MODAL PROMPT LEARNING

文章链接：https://arxiv.org/pdf/2210.03117.pdf

这篇文章的出发点很有新意，一直以来我们做prompt都是在图片或者文本一个模态做prompt，这篇文章觉得只在其中一个模态（分支）做prompt只能达到次优的性能，所以他们提出应该在每一个模态都应该做prompt，示意图如上所示。

 模型架构图如上所示：首先文本端除了文本的输入embedding，会拼接一些文本prompt向量，图像端同样除了图像的embedding输入，也会拼接一些图像prompt向量。这里要注意，这两个prompt向量是有交互的，因为作者认为为了让prompt发挥拉近不同模态距离的作用，不同模态的prompt应该要深层交互。具体交互的做法就是将文本prompt的embedding，通过一个linear层映射到图像embedding维度，转换成图像prompt向量，但这个交互只会发生在前K层，后面J-K层就不需要交互了，因为作者认为经过前面的交互，后面层的特征已经不是各自独立模态的特征了，自然不需要交互了。

 CPT:Colorful Prompt Tuning for Pre-Training Vision-Language Models

文章链接：https://arxiv.org/pdf/2109.11797.pdf

这篇文章是prompt用在image grounding(利用指定描述的语句进行标定图片中所显示的物体)的工作，我认为他的出发点十分值得思考：

一般用Pre-Training Vision-Language Models做image grounding的做法如上图b所示，他们的做法是去随机mask一些词然后通过预测这个随机的MASK来完成预训练的任务。在预测即下游任务时，对没有mask的token做语义分类，来完成grounding的任务。那这样就会存在一个gap：因为你预训练的时候是去预测一些mask的token，而到下游任务时预测的token是非mask，那这样上下游的迁移就有可能会有问题，那为什么nlp不会有问题呢？我认为是对于文字来说，理解哪里的文字理解的方式是一样的，但是对于视觉是不一样的，比如我学会了人在“看”马这个看的概念，那和哪个是人，哪个是马来说这两个问题来说，我认为学会人在“看”马是一个不同等级的概念（可能是更高的），那这么来做效果就不一定会好了。所以CPT把问题转换为颜色预测的任务：看一些被涂上不同颜色的图片，然后把文本当作问题，最后回答什么颜色的图片是问题的答案并填空，再换句话说，原来想问你在一张人在看马的图片里，哪个是人，现在直接问你，“女人看的马是什么颜色”，因为我们知道哪块被填上了颜色，所以解决了这个问题。

这个方法在zero shot、few shot 场景下取得了非常好的表现，除了image grounding，CPT也提出了别的下游任务建模方式：对目标分类任务，可以建模为红颜色的物体是一个什么，具体如上所示。

Multimodal Few-Shot Learning with Frozen Language Models

文章链接：https://proceedings.neurips.cc/paper/2021/file/01b7575c38dac42f3cfb7d500438b875-Paper.pdf

这篇文章讲故事的点很有意思，他认为之前对于文本大模型的prompt，都是在前面加上prefix prompt来提示做什么下游任务，可能和视觉模型一起微调或者冻住文本大模型来完成。这篇文章认为配对的图像特征本身就是一种prompt，我们可以利用这个文本配对的图像提取特征作为我们的prompt，具体结构如下所示：

将图像通过一个NF-ResNet50提取特征，然后将一些文本通过一个text embedder提取特征，然后一起输入进一个在大数据集下预训练好的7billion参数的Transformer进行自回归预测完成训练，其中只有vision Encoder是可训练的，其他模块皆冻结。这样prompt的模型可以在很多场景的zero-shot和few-shot达到一个好的效果。其中作者还提到，在面对一个新的下游任务时，我们可以输一些图像文本对让模型学习到新的概念，这样会在下游任务上表现的更好，具体如下所示：

VPT:Visual Prompt Tuning

文章链接：https://arxiv.org/pdf/2203.12119.pdf

一篇不用文本来做视觉prompt的文章。VPT分为deep和shallow两个版本，如果数据不充裕，就使用shallow版本，如果数据充裕，就使用Deep版本。我们可以看到VPT真的很简单，shallow版本只需要在第一层输入层之前，引入一些prompt参数，和CLS和其他输入embedding一起拼接起来输入进第一个Transformer的encoder即可。但是如果数据充裕，那自然我们觉得仅仅在输入引入prompt没法很好的利用这么多数据（说白点就是可学习参数少了），所以在每一层Transformer的输入层前都加入一些prompt参数学习。不管是shallow还是deep版本，都只需要学习输入的prompt参数和分类头。这篇文章的做法可以说是mainly-motivated by prefix-tuning/p-tuning的了，所以提示我们可以再找找nlp里work的prompt方法，看看怎么在cv上做work。

Exploring Visual Prompts for Adapting Large-Scale Models

对于图片，给原图增加prompt，自然想到的是添加一些像素；其实以像素形式添加prompt的好处就是可以做到task-special和input-agnostic；也就是因为prompt中含有大量数据中学到的信息，所以是任务相关的；因为对于同一个任务，在测试时，直接使用得到的prompt就可以，不管你输入哪张图片，因此时输入无关的。

如何添加： 作者提到了三种方式：1）在随机位置添加像素块(pixel patch)；2）在固定位置添加像素块(pixel patch)；3）在图像内部边缘pad一些像素（类似卷积中的padding）第三种方式效果最好。

Padding： 使用pad方式添加，添加的宽度为p ；图像的尺寸为C,H,W；则一共需要添加 2*C*p*(H-p)+2*C*p*(W-p)，如图：

如何得来： 对于一个任务，需要通过训练得到于该任务相关的prompt，得到之后就可以直接应用了。

Prompting Learning在伪造检测领域的一些想法

1. 以图搜图（Image Retrieval）作为prompt：将真实图片作为查询图片，通过图像检索技术从一个大型图像库中检索出与之相似的伪造图片，将这些伪造图片作为训练数据输入到深度伪造检测模型中，从而提高模型的准确性。此外，还可以将伪造图片作为查询图片，从真实图片库中检索相似的真实图片，这样可以帮助模型更好地区分真实图片和伪造图片之间的细微差别。
2. 以图做prompt（Image Prompting）：将图片作为输入到深度伪造检测模型中，并将其作为prompt，帮助模型更好地学习区分真实图片和伪造图片之间的差异。例如，可以使用对比学习技术，将真实图片和伪造图片作为输入，并设计相应的prompt，使模型学习如何将它们区分开来。此外，还可以通过图像增广技术，对图片进行旋转、缩放、裁剪等处理，从而增加模型对不同类型伪造图片的鲁棒性。