0. 视频来源：

李沐读论文：大模型时代下做科研的四个思路

1. 提高效率（更快更小）

1.1 PEFT介绍(parameter efficient fine tuning)

视频理解方面论文：AIM: Adapting Image Models for Efficient Video Action Recognition
之前的工作粗略分为2类：

• 时间和空间分开处理
• 时空一起来做
  

描述：将一个很大的数据集通过预训练得到一个image模型（例如imageNet 1K上训练一个res50的模型）
接下来

• 在已经与训练好的图片模型之上，单独地增加一个时序处理的模块，例如在TSM中将视频截成几段，然后将视频抽出来的特征进行加权平均
• 3D 网络，时间空间特征一起学，例如i3d，Video Swing。输入是3D的，模型也是3D的。

不足之处：
虽然效果很好，但是计算代价实在太大，这些模型都需要 Full Fine Tune，尤其是视频数据集非常大，训练cost太大。
论文动机来自Clip，证明了它自己即使直接 zero-shot 就会很好，而且它也说明了在视频方面的任务上：

• 从有效性方面来说，当有一个极其强大的的预训练好的图像模型后，我们可能不需要 fine-tune 的部分了
• 防止灾难性遗忘，如果有一个大模型，下游没有很好的数据集（或者说没有很多的数据），硬要 finetune 这个大模型的话，往往会做不好。

于是本文拿到一个好的图像模型后，直接把其参数锁住。然后通过修改周边的方式，来让这个模型具备时序建模的能力，来让图像模型能够直接做视频理解任务。
而 PEFT 有两个普遍的方法：

• adapter
  论文：Parameter-Efficient Transfer Learning for NLP
  

它是把 Adapter 可以随意地插入 TFM block 中，然后锁住原 TFM 的参数，只训练 Adapter。

这样由于 Adapter 相比 TFM 参数量很小，因此不是特别大

• prompt tuning
  论文Learning to Prompt for Vision-Language Models
  prompt指的是给模型一个提示，让模型去做你想做的事情。例如在CLIP当中，如果想做分类任务，把想要的class都给这个模型
  tuning体现在prompt的可学习
  hard prompt（手工 prompt）：由于手工写的 prompt 一旦写出来就写死了，这会隐含一个先验知识，可能会对最后的效果产生影响。比如下图中前三个蓝色的部分。
  soft prompt：让论文自己学习 prompt，在模型的训练过程中模型的参数锁住不动，只训练prompt。如下图中绿色的部分。

上面是文本的分支，和预测的 [CLASS] 一起进入文本编码器，得到文本的特征。
下面图片进入图片编码器，得到一个图像特征。然后这一个图像特征和文本特征做相似度，看哪个最高选哪个。
这里和 CLIP 的区别在于：prompt 变成了一个可以学习的上下文。
通过这种方式把原来的模型锁住，只学习 prompt，减少计算量。
这里只是对文本进行prompt，那么是否可以用在图像上呢？
也可以，例如论文：Visual Prompt Tuning

VPT论文提出2种方式：

• VPT Shallow
  图片打成 patch 后先通过一些已经训练好并被冻结的层，得到了输入的sequence（E0），把他和可学习的 prompt 一起丢尽模型里，只训练P0
• VPT Deep
  看懂了Shallow也就能看懂Deep

小结：PEFT是指当有一个训练好的大模型的时候，我们希望模型是锁住不动的，不光有利于训练还有利于部署，做下游任务的transfer，更重要的是性能不降，甚至反升。正因为非常实用，huggingface专门用来做PEFT的包，可以在github上找到。也有一篇类似综述的论文https://arxiv.org/pdf/2110.04366.pdf

1.2 作者的方法

作者的方法很简单，主要思路就是锁住模型参数，然后往模型里加 Adapter

有以下方式进行修改：

1. Spatial Adaptation：别的都锁住，只在 Self-Attention 后面加一层 Adapter。
   作者认为其意义在于：
   不给其添加什么视频理解的能力以及时序建模的能力，只给它加一些可以学习的参数，看看它能不能从图像学习到的特征迁移到视频数据集来，看看能不能解决领域之间有差距的问题。我们也可以对Spatial Adaptation添加时序建模能力，这里的方法五花八。
   2.Temporal Adaptation
   两个 self-attention 加一个 MLP，两个 attention 参数一样。第一个 T-attention 输入的矩阵先 reshape 一下，维度为 (N+1)×T×D，是在时序这个维度上做自注意力。第二个 S-attention 输入的矩阵再 reshape 回来，维度为 T×(N+1)×D
   ，在 sequence length 的维度上做自注意力。
   我们在 T-attention 后面加了一个 adapter，S-attention 后面也加了一个。确保一个学 spatial 另一个学 temporal 。

3.Joint Adaptation
进一步修改在 MLP 旁边加上了 Adapter，希望三个 Adapter 各司其职，各自学各自该学的，最后这个模型结构其实就是 AIM 了。

1.3 AIM效果

1.3.1AIM 在 K400 数据集上的表现

• Frozen space-only：也是常说的 LinearProbe，整个 backbone 锁住，只去 tune 最后的 head
• Finetuned space-only：正常的模型 Finetune,没有考虑时序信息
• Finetuned space-time：TimesFormer 本身，是一个 Video 的 FullFineTuning 的过程
• Frozen space-only + spatial adaptation：加上了 spatial adaptation 后，可以发现和 Finetuned space-only 差不多，但是训练参数量只有 3.7 M
• Frozen space-only + temporal adaptation：加上 temporal adaptation 后，效果直接翻一倍,甚至比Finetuned space-time的59.5还要高，说明模型的优化在视频理解问题中是非常重要的问题。
• Frozen space-only + joint adaptation adaptation：还能再提升一点点
• AIM：再把预训练模型从 IN-21K 换成 CLIP，于是还有提升

1.3.2AIM 在 Something-Something 数据集、K700 数据集和 Diving-48 数据集上的表现

我们可以看到AIM 在K400的数据集上达到87.5Accuracy，可训练参数量显著的低，在Something-Something表现不是最好的，作者给出的解释是可能数据集更加 Temporal Heavy，更注重时序信息，而且很细粒度（把什么东西从左移到右，又把把什么东西从右移到左），这时光是reshape input方式就不太适用，需要一个更强大的时序建模框架

2.调用已训练好的模型做应用

• 直接利用预训练好的模型，不去做预训练，只去做funting，去扩展到各个不同的领域。
• 尽量选新的方法或者新的topic去做，因为这里可能没有成熟的数据集和 Benchmark，因此数据和 Setting 都可以自己选，不用担心比不过别人。例如In-Context Learning：上下文学习，Chain-of-thought prompting：思维链提示，Causal learning：因果学习

下面介绍一个使用自监督的目标中心表示的无监督语义分割的论文
论文：Unsupervised Semantic Segmentation with Self-supervised Object-centric Representations
方向是无监督语义分割方向，具体使用方法是Self-supervised Object-centric Representations，利用已经训练好的DINO网络和DeepUSPS和BASNet网络，这些抽特征的网络都是与训练好的。

主要流程在于怎么样能让这个模型在无监督的情况下找到新的物体？
很多人认为直接通过一个图片抽一个特征其实不太合理，我们认在看东西的时候会有一个聚焦的人或者物体，再看其交互，预判即将发生什么，如果还能 Unsupervised，会更完美。
如果想学习一个 Segmentation 的网络，那么需要某种程度上的 Mask information。
那么最初始的 Mask information 从哪来？这篇论文借助了之前 Saliency Detection（显著性检测）的工作，直接用了 DeepUSPS ，很多之前无监督 Segmentation 工作用的也是它。

• 给定一张图，给你显著物体的 mask。然后就可以借助这个 mask 把图片中的物体给抠出来。
  
• 把它抠出来后，resize一下，扔给 DINO 这个网络去抽它的特征Glob-representations。
• 用这些特征然后做聚类（Clustering），然后就能无监督地判断物体是什么 id，暂时还无法确定这些物体是什么，因此这里称作 Noisy pseudo masks，但变相的有了Mask Label，于是可以直接训练一个Semantic Segmentation Network(语义分割)
• 另外一个图片可能有多个物体，所以加一个 self-training，多次轮回。

3.做即插即用的模块

• 这个模块既可以是模型上的一个模块比如Non-Local Modual，在已有的resnet后面加一个Non-Local
• 或者是一个目标函数把loss换成focal loss
• 数据增强的方法，比如Mixup
  论文：MixGen: A New Multi-Modal Data Augmentation
  作者在研究多模态模型的时候，发现它们都没有使用数据增强。
• 比如 CLIP 只用了基础的数据增强方法 Random Resized Crop，解释是图片文本对已经足够多，所以不需要数据增强
• 在ALBEF 和 BLIP中，虽然用了很好的数据增强，比如 Auto Augment，但是把 Auto Augment里的Color Jittering（对颜色的数据增强：图像亮度、饱和度、对比度变化；彩色变换） 和Random Flip（随机翻转） 去掉了，解释是如果做了这些数据增强，图片的信息会丢失，文本和图片就不一定匹配了。

那么怎么最大程度将原有的信息保留起来？

• 图像：Mixup，将2张图片线性的差值在一起，虽然人眼看起来比较诡异，但是信息没有丢失

• 文本：

  • Mixup

  • Random erasing

  • Random Insertion

  • Back Translation

作者的思想是把句子直接拼接在一起


通过上述方式得到一个全新的样本，尽管这样的方式会形成一些很别扭的数据，但从整体信息量来说， 最大程度将之前的信息保留起来了。
下面是效果:

不足之处：
审稿人们觉得这个方法过于简单，一投没过，一个审稿人提出了建设性的意见：数据增强是在没有那么多数据的时候才会去做的选择，但是在多模态的预训练里面，由于已经有大量的数据存在，所以预训练过程没什么用。但是在 Finetuning 过程中，由于下游数据集的数据不多，因此这个方法大概可以应用于 Finetuning 过程中。

4.构建数据集，做分析为主的文章，写一篇综述论文

构建数据集:
论文：BigDetection: A Large-scale Benchmark for Improved Object Detector Pre-training
本论文是把 LVIS，OpenImages 和 Object 365 结合到了一起。这里不是简单的合到一起，而是需要重新分布数据里的类，并且根据任务的需求，决定物体类别有多细粒度。
该数据集有600 类、3.4e6 的训练图片，且有 3.6e7 的目标检测框及注释。
综述论文：
论文：A Comprehensive Study of Deep Video Action Recognition
这是视频动作检测的综述论文，这些论文往往不需要那么多的计算资源，evaluation有时候只要做inference，就算要训练，更多的时候也只需要fine tuning，写这类论文更需要的写作能力，在4个方法中最不需要计算机资源。