你算个什么鸟？AI十级“找茬”选手诞生

　　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。

　　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