计算机视觉研究院专栏
作者：Edison_G
最近CVPR不是在线直播，我关注了下，发现一篇很有意思的paper。让我想到在研究生有做过类似的算法——因果关系。今天我们看看这位作者是怎么处理的。
作者提出了一种新的无监督特征表示学习方法，即Visual Commonsense R-CNN(VC R-CNN)，作为一种改进的视觉区域编码器，用于Captioning和VQA等高级任务。给定图像中检测到的一组目标区域(例如，使用FasterR-CNN)，就像任何其他无监督的特征学习方法(例如Word2vec)一样，VC R-CNN的proxy训练目标是预测区域的上下文对象。 然而，它们从根本上是不同的：VC R-CNN的预测是通过因果干预：P(Y|do(X))，而另一些则是通过传统的likelihood：P(Y|X)。这也是为什么VC R-CNN可以学习“态势感知”知识的核心原因，就像椅子可以用来坐一样——而不仅仅是我们的“常识“，如果观察到桌子就很可能椅子也存在。
1.背景
首先先解释下论文为什么叫Visual Commonsense R-CNN（VC R-CNN）。其实在这篇论文idea构想的初期，作者查阅很多关于Commonsense常识的定义。结果发现从古至今，哲学界对这个概念一直呈现的是百家争鸣的现象，一直没有过一个准确的大家都认同的定义。而反观学术界，近几年来我们一直希望机器都够掌握人一样的常识用来处理问题，很多研究者也做了很多努力：比如从文本中挖掘常识[Yatskar, M., Ordonez, V., & Farhadi, A. (2016, June). Stating the obvious: Extracting visual common sense knowledge. In Proceedings of the 2016 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies]、构建数据库（Konwledge Base）当作常识[Wu, Q., Wang, P., Shen, C., Dick, A., & Van Den Hengel, A. (2016). Ask me anything: Free-form visual question answering based on knowledge from external sources. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition]等等。但是我们忽略了，很多常识可能根本无法通过文本或者数据库进行记录！
比如，会有人专门将“人是用腿走路的”“窗子在墙上”记录在课本里吗？但是这些都是常识呀。我们通过有限的文本或者数据库记录下的应该是“知识”或者“结构化的易于表达的常识”，但实际上，人类的，特别是视觉方面的常识要远远超过这一部分。
另一方面，不知道大家有没有思考过，为什么在NLP领域出现了很成功的word embedding方法，比如word2vec以及最近很火的BERT。但是在视觉领域，类Context Prediction任务却没有取得突破性的进展呢?
在这里我们希望通过常识这个角度来分析Vision和NLP的差别。在文本数据中，其实常识信息是被广泛而直接的记录在文本的context里面的，比如“鸟会飞”（大家想想，其实上一段的文本挖掘常识，构建数据库，他们的本质不就是文本嘛？）。但是在Vision下是完全不同的，我拍了一张人和椅子的照片，你从照片中只能看到人和椅子出现在了一起，但是其中没有“人可以坐在椅子上”这种信息，或者说仅仅通过在图片中预测context你压根无法学到视觉常识。这些都在迫使我们思考，我们有没有办法在现有标注条件下去学习常识呢？
最后我们想到了因果理论，我们能不能通过因果理论将CV中的视觉常识往前推进一点点呢？作者提到过，因果理论就是用来发现现象背后的不变规律的，是一种鲁棒的预测。这与常识本身不就很相似吗，我们人类也是从生活中不断总结积累这些不变的、鲁棒的经验或者因果规律，并把他们叫做常识。比如，看见凳子知道可以坐，看见pizza知道可以吃。
作者提出了一种新的Ghost模块，用于从简单的操作中获取更多的特征映射。基于一组内在特征映射，应用一系列简单的线性变换来生成许多Ghost特征映射，这些映射可以充分揭示内在特征的信息。提出的Ghost模块可以作为一个即插即用的组件来升级现有的卷积神经网络。Ghost瓶颈被设计成stack Ghost modules，然后可以很容易地建立轻量级的GhostNet。
2.引入主题
由于缺乏常识，不难发现机器所犯的“认知错误”。如下图所示，通过只使用视觉特征，例如当前流行的Up-Down的Faster R-CNN，机器通常无法描述确切的视觉关系（Captioning示例），或者，即使预测是正确的，潜在的视觉注意力也是不合理的(VQA示例)。
以前的工作将这归咎于数据集偏见，而没有进一步的理由，例如上图中的大概念共现差距；但在这里，我们通过欣赏“视觉”和“常识”特征之间的差异来仔细研究它。 由于“视觉”只告诉“什么”或“哪里”，它只是一个比其对应的英语单词更描述性的符号；当存在偏值时，例如，有更多的人而不是腿区域与“滑雪”一词共现，视觉注意力因此更有可能集中在人的区域。另一方面，如果我们可以使用“常识”特征，“滑雪”的动作可以集中在腿部区域，因为常识是：我们用腿滑雪。
我们当然不是第一个相信视觉特征应该包括更多常识性的知识，而不仅仅是视觉表象。 目前，有一种趋势是从大规模视觉语言语料库中获得弱监督学习特征。然而，尽管注释成本和含噪声的多模态对之间面临着重大挑战，但由于报告偏值，常识并不总是记录在文本中，例如，大多数人可能会说“人们在路上行走”，但很少有人会指出“人们用腿走路”。事实上，我们人类自然通过探索物理世界以无监督的方式学习常识，我们希望机器也能以这种方式模仿。
3.进入主题（VC R-CNN Framework）
然后让我们回到第二层级，干预。作者有详细介绍因果理论中的干预，有的同学可能会问了：那这一套Intervention理论该如何用到真实的CV世界中呢？首先让我们用一个toy experiment来引入，我们利用MSCOCO数据集（train2014）中已有的标注信息，简单计算出来Association（用因果之梯第一层级计算）和Intervention（用因果之梯第二层级计算） 之间的区别 。其实就是下面的两个公式：
其中 X, Y, z分别代表了图片中的目标标签，同时这里我们用物体出现的频率来代替概率，比如
就是用“含有Sink和Hair drier两者的图片数”比上“只含有Hair drier的图片数”计算得到的。我们画出两者计算结果差异的对比图（只标明了20类）：
那这样的数值差距反映了什么呢，这里我们就挑选其中两个来举例（Sink, Hair drier以及Person, Toilet）来简单说明。
上面两个图例是作者随意从MSCOCO里找的例子。比如对于上图例，想要探寻在已知吹风机的情况下，去预测水池的可能性大小。因为在数据中有太多比如左图的例子了（也就是说在MSCOCO的大部分数据中，吹风机都是和水池共生在一起的），这就导致只用association计算出的数值比较高：
。而当我们按照confounder z进行分层分情况讨论，我们就会去看在z的条件下吹风机和水池之间实际的因果效应。这个过程中也可以被理解为，我们把场景因素考虑在内，对不同的场景进行分层（因为场景就是由object组成的），得到实际的因果效应，比单纯Association计算的数值要低：
。
同样的对于上图例，比如我们想去探寻“马桶”和“人”之间可能存在的因果效应。如果我直接整体的从数据集里进行Toilet和Person之间的共生统计（第一层级Association），因为数据集中人和马桶一起出现的样本其实不多，同时存在比较多马桶和其他东西共存的图片。比如右图在马桶旁边没有出现人，就会导致由马桶 -> 人计算出来的概率偏低一点。这时候如果想要做出更鲁棒的预测，我们就需要考虑混杂因子confounder， 比如瓶子、水池、杯子等等。按照confounder进行分层计算，最后再加权求和。
根据作者举得简单的例子的启发，我们可以把intervention的应用场景搬到了object detection任务中，并为intervention设计了一个proxy task：给定RoI X的feature去预测RoI Y的类别。我们知道周围的视觉世界是由很多物体组成的，其中也包括很多潜在的混杂因子，如果直接预测周围物体Y就不可避免的会被上文提到的混杂因子confounder所影响。根据我们刚刚介绍的“do算子”的理论，解决的办法也不难，只要能找到confounder然后对他们使用backdoor理论进行控制即可。那在我们这一套proxy task里面，混杂因子是什么呢？很明显，就像我举的例子里面说的，也一定是object。直觉上来说我们直接把整个数据集上的object RoI特征在每个类别上取平均，当作这个类别的表示，进而构建出一个类别数x1024的confounder字典作为Z（比如MSCOCO有80类，就是80x1024），它包含着所有可能的混杂因子。注意！这里的预测和以前object detection做的预测其实是有一定区别的，在这里我们强调加入causal intervention的预测是更加鲁棒的预测，我们希望能更加准确的度量X与周围物体之间的因果关系。
通过将图片中的上下两路进行对比我们可以看到，可以简单的把CV中的intervention（do calculus）理解为是一种“borrow&put”：
- 我们把confounder dictionary Z中的物体z“borrow”到当前图片中，注意这里的物体z不需要是当前图片中存在的，所以是一种global层面的定义；
- 然后把借来的z“put”到X, Y周围和X, Y对比，例如上图中的把 sink、handbag、chair等等移到 toilet 和 person 周围进行backdoor的计算。
最后我们把整个intervention整合成一路context predictor，同时为了不让网络忘掉识别RoI本身类别的能力，我们在context predictor的基础上又保留了原先的自身类别预测——self predictor。最后基于Faster R-CNN构造了VC R-CNN的框架，框架图如下：
注意：作者提出的VC R-CNN的实现和原先的Faster R-CNN相比，去除了RPN网络（Region Proposal Network），不再训练网络propose边界框，而是直接将数据集ground-truth的bounding box坐标输入到其中，直接提取region的特征。而在训练完成后的feature提取阶段，相对应的，只要给定图片和bounding box坐标，都可以获得对应的VC特征。就这样，我们利用bottomup特征已有的边界框坐标提取VC特征后，将其并在先前的bottomup特征上作为新的特征。我们在传统的 Vision&Language 三大任务上挑选了经典model和SOTA model进行了测试，发现在各个任务上都取得了明显的提升，尤其是在image captioning上的提升尤其大。同时为了验证性能的提升不是由于参数增多带来的，我们还在原有特征上并上了ablative的特征（单独object特征，用correlation计算的特征），具体可以参考我们的论文的实验部分。
另一方面，我们也试图从t-SNE降维可视化的角度对我们的VC Feature进行实验。
这个特征是作者选的5000个MSCOCO图，用t-SNE降维得到的，没有做过任何挑选，所以我觉得反映出来是具有一定普遍性的。我们可以发现，在每一种类别内部VC特征（右下）很明显的聚成一小块一小块，而不是像up-down直接聚成一大块。
这个很好理解，因为在前面的章节我们提到过，VC R-CNN在做intervention的时候可以理解为对周围的物体场景进行了分情况讨论，因此对于同一个object的区域，VC Feature具有更好的多面性（vary from context to context）。另外，在不同类别之间，VC更能显示出语义的相关性，比如对于ski和snow，leg，提出的VC明显在特征空间中相距的更近。
最后，作者想从一个high-level的角度来解释学到的VC Feature究竟是什么？VC R-CNN设计了一个预测周围物体的proxy task，通过这个task学习到的VC Feature就作为了干预武器的化身。这个化身能够让context prediction更鲁棒。相应的，是常识（比如，看见椅子想到人 不是因为数据中椅子和人的大量共生，而是由于人可以坐椅子），让我们在预测周围事物的时候更鲁棒。所以，我们类比这个feature为视觉常识。
最后来简单谈谈VC R-CNN的优点。
- 一方面，VC R-CNN从因果干预的角度出发，在一定程度上弥补了现如今很多特征及方法只依赖correlation、context所带来bias的缺陷。就比如CVPR2018提出的被 Vision & Language 领域广泛使用的Bottom-up特征，虽然没有去强行使用物体之间的context信息，但是忽略bias就还是有可能会引入bias，就比如体现在下游任务中attention不准的问题（说对了但是attention出错了）。面对这种bias，除了我们在model结构设计方面加以注意，又是否能从特征这一源头来辅助解决呢，这就是我们提出VC的很大motivation之一；
- 另一方面也解决了我在接触 Vision & Language 任务之后的一个疑惑，即大家广泛使用的bottom-up特征效果挺好，但是也只是encode了图片局部object的类别和属性信息，完全没有物体与物体互相之间的关系信息。那我们是否可以从这个角度对原有的bottom-up特征进行补充和完善呢？答案是显然的。而且VC R-CNN也不局限于某一个特征或者某一个数据集，配合上如今已经很方便的目标检测框架，使用者可以在任意数据集上进行训练，然后作为任意原始特征的补充。只要给定图片和bounding box坐标就可以进行VC Feature的提取。
- 还有一些具体使用层面的优点我就不一一列举了，比如使用方便、框架可以用于任何数据集等等。
4.实验
The image captioning performances of representative two models with ablative features on Karpathy split. The metrics: B4, M, R and C denote BLEU@4, METEOR, ROUGE-L and CIDEr- D respectively. The grey row highlight our features in each model. AoANet† indicates the AoANet without the refine encoder. Note that the Origin and Obj share the same results in MS-COCO and Open Images since they does not contain our new trained features
给出RoI特征x（红色框）和y（绿色框）的前3个混淆的可视化，而数字表示注意力权重。我们可以看到，模型可以识别合理的混杂因素z，例如公共上下文（黄色框）。
Experimental results on VCR with various visual features. ViLBERT† [41：Jiasen Lu, Dhruv Batra, Devi Parikh, and Stefan Lee. Vilbert: Pretraining task-agnostic visiolinguistic representations for vision-and-language tasks. In NIPS, 2019] denotes ViLBERT without pretraining process.
与使用Obj特征（左）相比，使用VC特征（右)的定性示例。图像中的方框表示注意力区域标签名称和注意权重的。三行分别表示Image Captioning、VQA和VCR任务。
5.总结
说了这么多，其实VC R-CNN也是作者把因果理论应用到general的CV问题中迈出的一步大胆的尝试。同时因为作者有限的个人精力以及self-supervised feature learning问题工作量大的特性，作者也没有办法把所有的model都拿过来尝试，不断往上刷分。在这里也希望各位同样深耕Vision&Language的同学，如果对作者的工作有兴趣可以尝试一下作者提出的Feature，如果有需要在其他训练集上训练VC Feature的也可以直接参考作者的代码，现在这个时代的目标检测框架已经非常友好，可以很方便的支持自定义数据集。
在此非常感谢作何的贡献，感谢！
作者论文：https://arxiv.org/abs/2002.12204
