论文地址：https://arxiv.org/pdf/2303.14123.pdf
这是一篇2023年发表在CVPR上的论文，论文题目是Semantic Prompt for Few-Shot Image Recognitio，即用于小样本图像识别的语义提示。
1 Motivation
第一，最近几项研究利用 语义信息 来进行小样本学习的研究。 一方面因为通过少量样本去识别新类别很难，就想使用一些其他模态的信息辅助学习，文本特征可能包含新类和已知类之间的语义关系，所以是一个很好的选择。另一方面因为最近一些出现的强大的自然语言处理（NLP）模型能够从类别中提取出丰富且准确的文本信息。
第二，提出来的这些方法效果并不理想，模型仍然会受到从少量支持样本提取出来的 虚假特征的影响。 因为这些方法直接使用文本嵌入作为图像的分类器，比如 直接 从类名推断出文本原型然后与视觉分类器相结合，这忽略了文本特征和视觉特征之间的 信息差距，因此文本特征无法与视觉特征很好地交互，从而无法给新类别提供 具有判别性的视觉特征。
如图所示，输入一张独轮车的图像，特征提取器很容易受到背景杂波的影响，比如车上的女孩还有行人、瓦片等等，并且很有可能特征提取器无法识别其他环境中的独轮车，即无法学习到新类别的通用图像表示。
2 Idea
因此，本文提出了一种新的语义提示（SP）的方法，利用丰富的语义信息作为 提示 来 自适应 地调整视觉特征提取器。而不是将文本信息与视觉分类器结合来改善分类器。
本文设计了两种互补机制，将语义提示插入到特征提取器中：一种是通过 自注意力 在 空间维度 上实现 语义提示 和 patch嵌入 之间的交互，另一种是通过沿 通道维度 转换后的语义提示来 补充视觉特征。
通过结合这两种机制，特征提取器提取出具有判别性的与类相关(特定类别) 的特征，并仅用几个支持样本就可以获得 更通用的图像表示。
3 Methods
3.1 训练方法
本文提出的方法包括两个训练阶段：
步骤一采用non-episodic training方法，预训练特征提取器 f 通过分类基类中所有的图像。
步骤二采用元训练范式，使用语义提示(SP) 在大量episodes中 微调特征提取器 f ，使 f 能够在新类中提取出通用和与类相关的视觉特征表示。
3.2 预训练
主干网络采用 Visformer 。它用卷积块替换了前七个 Transformer 层，并在每个阶段之间采用池化以减少序列长度，从而降低计算成本。计算成本和序列长度成正比。
损失函数采用 标准交叉熵损失。目的使其最小化。
其中W表示分类器，b表示偏差。
具体的训练过程：
第一步，输入图像x∈RH×W×Cx ∈ \mathbb{R}^{H \times W \times C\ }x∈RH×W×C 先被划分为 M 个patches序列 X={xp1x,xp2......xpM}X = \left\{x_p^1x, x_p^2......x_p^M \right\}X={xp1x,xp2......xpM},其中 xpi∈RP×P×Cx_p^i∈ \mathbb{R}^{P \times P \times C\ }xpi∈RP×P×C 是一个patch，P 是patch大小。
第二步，每个patch被映射到一个嵌入向量中，并添加一个可学习的位置嵌入。经过预处理的图像patches可以写为：Z0=[z01,z02......,z0M]Z_0= [z_0^1 , z_0^2......,z_0^M ]Z0=[z01,z02......,z0M]，其中 z0i∈RCzz_0^i ∈ \mathbb{R}^{C_z}z0i∈RCz是第0层Transformer中位置为 i 的patch token，CzC_zCz是每个token（标记）的通道数。
第三步，Patch 标记被送入 L 个 Transformer 层以提取视觉特征，每一层都由多头自注意力 (MSA)、MLP 块、层规范 (LN) 和残差连接组成。在顶层L，我们 平均 序列中所有的嵌入向量 作为提取的图像特征：
其中 zLiz_L^izLi 是第 L 层的第 i 个嵌入向量
3.3 语义提示
首先，使用具有大规模预训练的 NLP 模型从类名中提取文本特征
具体的训练步骤，如图所示：
第一步，在一个训练episode中，给定一个支持图像xsx^sxs，我们将其类名 ytexty^{text}ytext输入预训练语言模型 g(⋅)g(·)g(⋅)以提取语义特征，即 g(ytext)g(y^{text})g(ytext)。
第二步，特征提取过程：fg(xs)=f(xs|g(ytext))f_{g\ }\left(x^s\right)=f\left(x^s\middle| g\left(y^{text}\right)\right)fg (xs)=f(xs∣g(ytext))
第三步，将每个类中的支持特征平均得到 原型 ，设pip_ipi表示类别 i 的原型，则:
其中 xjsx_j^sxjs是第 i 类的第 jthj^{th}jth支持图像。
第四步，在元训练期间，冻结文本编码器 g(·) 并微调其他参数，通过使用 交叉熵损失 来最大化查询样本与其原型之间的特征相似性 :
其中 s 表示余弦相似度，pyqp_{y^q}pyq是类 yqy^qyq 的原型，τ 是温度超参数。
3.3.1 空间维度的交互
为了促进空间维度上的交互，本文使用语义提示 扩展 图像patch序列 后再提供给 Transformer 编码器。通过自注意层，语义提示可以使特征提取器注意到与类相关的特征，同时抑制其他不相关特征。
给定语义特征 g(ytext)g(y^{text})g(ytext) 和第 l 层的patch嵌入的输入序列 Zl−1=[zl−11,zl−12,…,zl−1M]∈RM×CzZ_{l-1}=\left[z_{l-1}^1,z_{l-1}^2,\ldots,z_{l-1}^M\right]\in\mathbb{R}^{M\times C_z}Zl−1=[zl−11,zl−12,…,zl−1M]∈RM×Cz
使用 投影后的语义特征 扩展Zl−1{\ Z}_{l-1} Zl−1 获得一个新序列 z^l−1{\hat{z}}_{l-1}z^l−1 ∈ R(M+1)×Cz\mathbb{R}^{(M+1)\times C_z}R(M+1)×Cz ：
其中 z0=hs(g((ytext))∈RCz{\ z}^0=h_s(g((y^{text}))\ \in\ \mathbb{R}^{C_z} z0=hs(g((ytext)) ∈ RCz 是空间交互的投影语义嵌入，hs(⋅)h_s(·)hs(⋅)是保持语义嵌入维度与patch嵌入相同的投影器。
然后，扩展序列 z^l−1{\hat{z}}_{l-1}z^l−1被送到其他Transformer 层以允许语义提示和patch标记之间沿空间维度的交互。
具体来说：
第一步，MSA将z^l−1{\hat{z}}_{l-1}z^l−1中的每个标记通过线性投影映射到三个向量 q,k,v∈RNh×(M+1)×Czq, k, v ∈ \mathbb{R}^{N_h\times\left(M+1\right)\times C_z}q,k,v∈RNh×(M+1)×Cz
其中NhN_hNh是注意头数，ChC_hCh是每个注意头的通道数。
第二步，计算q 和 k 的内积并沿空间维度执行 softmax 来计算注意力权重 A{A}A ∈ RNh×(M+1)×(M+1)\mathbb {R}^{N_h \times (M+1) \times (M+1)}RNh×(M+1)×(M+1)
注意力权重用于选择和聚合来自不同位置的信息。
第三步，通过相加连接所有头的输出并通过线性投影得到最终输出
3.3.2 通道维度的交互
对于通道维度上的交互，本文首先将语义提示与从 所有patches中提取的视觉上下文 连接起来，然后将它们提供给 MLP 模块（多层感知机）。将 提取的特征向量 添加到每个patch标记中，以 逐个通道地 调制和增强视觉特征。
首先获得全局视觉上下文向量zl−1C∈RCzz_{l-1}^C ∈ \mathbb{R}^{C_z}zl−1C∈RCz, 通过对所有patch 标记进行平均:
将视觉上下文 Zl−1cZ_{l-1}^cZl−1c 与投影语义向量z0{\ z}^0 z0连接起来，送入 2 层 MLP 模块以获得调制向量 βl−1∈RCz\beta_{l-1}\in R^{C_z}βl−1∈RCz:
其中 W1、b1、W2、b2W_1、b_1、W_2、b_2W1、b1、W2、b2是 MLP 模块的参数，σ 是 sigmoid 激活函数，hch_chc是通道交互的投影器。
最终将调制向量添加到所有patch 标记，以便它可以调整每个通道的视觉特征。
调制序列Z~l−1∈RM×Cz{\widetilde{Z}}_{l-1} ∈ \mathbb{R}^{M\times C_z}Zl−1∈RM×Cz 可以写成:
4 Results
1-shot上由明显提升，CLIP为文本编码器
消融实验
