斯坦福大学李飞飞团队新作：孪生掩码自编码器SiamMAE，刷榜视觉自监督方法

在计算机视觉领域，想要建立图像和场景（scene）之间之间的对应关系是一项比较困难的任务，尤其是在存在遮挡、视角改变或是物体外观发生变化的情况下。

最近，斯坦福大学李飞飞团队对MAE进行扩展，提出了孪生掩码自编码器SiamMAE（Siamese Masked Autoencoders）以学习视频中的视觉对应关系。

论文链接：https://siam-mae-video.github.io/resources/paper.pdf

先随机采样两个视频帧，并进行非对称掩码操作；然后SiamMAE编码器网络对两个帧进行独立处理，最后使用交叉注意层组成的解码器来预测未来帧（future frame）中丢失的图像块。

通过对未来帧中的大部分（95%）图像块进行掩码，同时保持过去帧（past frame）图像不变，SiamMAE促使网络专注于物体运动，并学习以物体为中心的表征。

尽管整个网络的设计概念比较简单，但通过SiamMAE学习到的特征在视频物体分割、姿势关键点传播和语义部分传播任务上都优于最先进的自监督方法。

SiamMAE在不依赖于数据增强、基于手工跟踪的前置任务或其他技术来防止表征崩溃的情况下，实现了非常有竞争力的性能。

孪生掩码自编码器

研究人员的目标是开发一种自监督的方法来学习对应关系，主要是将掩码自编码器（MAE）模型扩展到视频数据中。

Patchify

给定具有L帧的视频剪辑，首先随机采样两个视频帧，两帧之间的距离通过从预定的potential frame gaps范围中选择一个随机值来确定。

与原始ViT模型类似，通过将每个帧转换为一系列不重叠的N×N个patch来拼接视频帧。

最后，把位置嵌入加到线性投影上，并附加一个[CLS]标记，需要注意的是没有使用时序位置嵌入。

Masking

像图像和视频这样的自然信号是高度冗余的，分别表现为空间和时空上的冗余。

为了创造一个具有挑战性的预测性自监督学习任务，MAEs随机掩码了75%的图像patch，视频数据的掩码率提升到90%，并且对每帧都使用相同的掩码率。

这种设计可以使网络无法利用和学习到时间上的对应关系，避免在对应关系学习基准上达到次优性能。

研究人员认为，不对称的掩码可以创造一个更有挑战性的自监督学习任务，并且可以鼓励网络学习时间上的相关性。

所以对于采样的两个视频帧，对第一帧选择不掩码，对第二帧选择掩码95%，这样就可以将整个过去帧（entire past frame）作为输入，网络只需要将其扩散到未来中的适当位置即可，可以促进网络对物体运动进行建模并关注物体的边界。

为了进一步增加任务的难度，两个视频帧之间具有更大的时间间隔，尽管可能会导致对未来的预测变得模糊，并可能产生多种合理的结果，但为第二帧提供少量的patch作为输入，可以让网络的自监督学习变得更困难。

编码器

研究人员探索了两种不同的编码器配置来处理输入帧。

联合编码器（joint encoder）是图像MAEs在一对视频帧上的扩展，把两帧未掩码的图像patch串联起来，然后输入到标准的ViT编码器中进行处理。

孪生编码器（siamese encoder）是用于比较实体的权重共享神经网络，是对比表征学习方法的一个重要组件，用于对应学习（corresponding learning）时通常需要一些信息瓶颈来防止网络学习的解决方案，如使用颜色通道dropout来迫使网络避免依赖颜色来匹配对应关系。

在这篇论文中，研究人员使用孪生编码器来独立处理两幅图像，使用非对称掩码作为信息瓶颈。

解码器

编码器的输出通过线性层进行投影，并加入带有位置嵌入的[MASK] token，以生成对应于输入帧的所有token

研究人员探索了三种不同的解码器配置：

联合解码器（joint decoder）在两帧的token串联上使用原版Transformer模块，其主要缺点是对GPU内存的需求大幅增加，特别是在使用较小的patch尺寸时。

交叉自解码器（cross-self decoder）与原版Transformer模型的编码-解码器设计类似，每个解码器块由一个交叉注意力层和一个自注意力层组成，来自第二帧的token通过交叉注意力层与第一帧的token进行注意力操作，然后通过自注意力层进行相互融合。

可以注意到，交叉注意力层在功能上类似于自监督对应学习方法中经常使用的affinity矩阵。

交叉解码器（cross decoder）由交叉注意力层的解码器块组成，其中来自第二帧的token与来自第一帧的token进行注意力操作。

最后，解码器的输出序列被用来预测掩码图像块中的归一化像素值，在解码器的预测和真实值之间使用L2损失。

实验结果

视频物体分割

在多物体分割基准数据集DAVIS 2017上，使用480p分辨率的图像对模型进行评估。

实验结果可以发现SiamMAE明显优于VideoMAE（从39.3%提升到62.0%），研究人员将其归因于VideoMAE中使用了tube掩码方案，使得模型无法学习时间上的对应关系。

与DINO类似，研究人员也发现降低patch的尺寸会带来明显的性能提升。

并且文中使用的ViT-S/8（+9.4%）模型优于之前所有的对比学习和自监督的对应学习方法。

还可以注意到尽管较大的MAE-ST模型（ViT-L/16，304M参数）在随机掩码的情况下比VideoMAE表现更好，但其性能仍然落后于SiamMAE相当多。

而且在视频上训练的MAE与图像MAE的表现相似，视频与图像的不同之处在于，图像是（近似）各向同性的，时间维度是特殊的，并不是所有的时空方向都是同等可能的。

因此，对称地处理空间和时间信息可能是次优的。

视频部分分割（Video Part Segmentation）

在视频实例解析（Video Instance Parsing， VIP）基准上对SiamMAE进行评估，该基准包括为20个不同的人体部位传播语义掩码。

与评估的其他数据集相比，VIP特别具有挑战性，因为包括更长的视频（最长120秒）。

与先前工作类似，使用560×560的图像和单一背景帧进行评估后，可以发现ViT-S/8模型性能大大超越了DINO (从39.5提升到45.9)。

SiamMAE从更小的patch尺寸中，比DINO受益更多，实现了+8.6的mIoU评分，比DINO的+3.3 mIoU有所提高。

SiamMAE也优于之前所有的对比学习和自监督的对应关系学习方法。

姿势追踪（pose tracking）

在关键点传播的任务上对SiamMAE进行了评估，需要传播15个关键点，并且要求空间上的精确对应关系，使用320×320的图像和一个单一的背景帧，SiamMAE的性能优于所有其他模型，并且比DINO更受益于较小的patch尺寸（+14.9到+10.9 PCK@0.1）