機器之心專欄
作者：沈博魁
本文作者沈博魁是斯坦福本科生／準博士生，也是 CVPR 2018 最佳論文《Taskonomy：Disentangling Task Transfer Learning》的共同二作。鑑於作者在 Poster Session時發現很多人對Taskonomy的理解有偏差，沈博魁在知乎寫了一篇Taskonomy的中文解讀，希望能對大家有幫助。很多專業詞彙的中文翻譯可能有偏差，希望大家見諒。如果有問題，歡迎大家評論私信。
細節請查看知乎文章：https://zhuanlan.zhihu.com/p/38425434
Taskonomy的網站：taskonomy.stanford.edu
梗概
人類的視覺具備多種多樣的能力，計算機視覺界基於此定義了許多不同的視覺任務。長遠來看，計算機視覺著眼於解決大多數甚至所有視覺任務，但現有方法大多嘗試將視覺任務逐一擊破。這種方法造成了兩個問題：
第一，逐一擊破需要為每一項任務收集大量數據，隨著任務數量的增多，這將會是不可行的。第二，逐一擊破會帶來不同任務之間的冗餘計算和重複學習。
一般來說，逐一擊破的策略忽略了視覺任務之間的關聯性，比如法線（Surface Normals）是由深度（Depth）求導得來，語義分割（Semantic Segmentation）又似乎和遮擋邊緣測試（Occlusion edge detection）有著千絲萬縷的關聯。基於上述兩個問題，我們希望能有效測量並利用視覺任務之間的關聯來避免重複學習，從而用更少的數據學習我們感興趣的一組任務。
Taskonomy是一項量化不同視覺任務之間關聯、並利用這些關聯來最優化學習策略的研究。如果兩個視覺任務A、B具有關聯性，那麼在任務A中習得的representations理應可為解決任務B提供有效的統計信息。由此我們通過遷移學習計算了26個不同視覺任務之間的一階以及高階關聯。
如圖一，如果有預測法線的網絡和預測遮擋邊緣測試的網絡，我們可以通過結合兩個網絡的representations來快速通過少量數據解決Reshading和點匹配 (Point matching)。基於這些關聯，我們利用BIP (Binary Integer Programming) 求得對於一組我們感興趣的任務，如何去最優分配訓練數據量。比如，如果想最高效地解決10個問題，利用Taskonomy提供的學習策略可以減少2/3的訓練數據量。
方法
簡單概括，方法分為兩個大階段，四個小步。
第一大階段涉及前三小步，我們要量化不同視覺任務之間的關聯，並將任務關聯表達成一個affinity matrix（關聯矩陣）。
第二大階段，也就是最後一小步，我們對求得的affinity matrix進行最優化，求得如何最高效地去學習一組任務。這個最高效的策略會由一個指向圖 (directed graph) 來表示，我們稱此指向圖為Taskonomy。詞語上Taskonomy是Task (任務) 和 Taxonomy (分類論) 的合併簡稱。
>>>> 問題定義
首先，我們來定義我們想要解決的問題。我們想在有限的監督預算γ下最大化我們在一組目標任務(target tasks) T = {t1,...,tn}上的表現。同時，我們有一組起始任務 (source tasks) S，其定義為我們可從零學習的任務。監督預算γ的定義為多少起始任務我們願意從零開始學習（從零開始學習需要收集大量數據，監督預算表達了我們所面對的金錢、計算力和時間上的限制）。其中，
T S 代表了我們感興趣但不能從零學習的任務，比如一個只能有少量數據的任務。S T 代表了我們不感興趣但可以從零學習（來幫助我們更好的學習）的任務，如jigsaw、colorization等自我監督的視覺任務。T ∩ S 代表了我們既感興趣又能從零學習的任務，但因為從零學習會消耗監督預算，我們希望從中選擇出符合預算的一組從零學習，餘下的通過少量數據的遷移學習來實現。
我們稱 V = T ∪ S 為我們的任務詞典 (task dictionary)。最後，我們對視覺任務t的定義為一個基於圖片的方程 f(t)。
如下圖所示，我們收集了一個有四百萬張圖片的數據題，每張圖片均有26個不同視覺任務的標註 (ground truth)。這26個任務涵蓋了2D的、3D的和語義的任務，構成了本項research的任務詞典。因為這26個任務均有標答，S也為這26個任務。
下面，我們進入第一大階段，量化視覺任務的關聯。
>>>> 第一步：從零學習
對於每個起始任務，我們為其從零開始學習一個神經網絡。為了能更好地控制變量從而比較任務關聯，每個任務的神經網絡具有相似的encoder-decoder結構。所有的encoder都是相同的類ResNet50結構。因為每個任務的output維度各不相同，decoder的結構對不同的任務各不相同，但都只有幾層，遠小於encoder的大小。
（註：CVPR poster session期間有人問起，decoder泛指readout functions，比如classification的FC Layers也算為decoder）
>>>> 第二步：遷移學習
如上圖所示，對於每一對起始任務 s ∈ S 和目標任務 t ∈ T，我們將以s的representation作為輸入來學習t。我們將凍結任務s的encoder 參數，並基於encoder的輸出 (representations) 學習一個淺層神經網絡read out function。
如下圖所示，對於t，不同的起始任務的representation會對遷移表現造成不同的影響。更具關聯的s會為t提供更有效的統計信息，從而僅用1/60的訓練數據（相較於從零學習）就能取得不錯的結果；相反不具備關聯的s則並不能有此表現。因此，我們認為基於s的representation的遷移學習在t任務中的表現可以很好地代表了s之於t的關聯性。
上述遷移代表了任務之間一對一的關聯，我們稱其為一階關聯。如下圖，幾個任務之間可能具有互補性，結合幾個起始任務的representations會對解決目標任務起到幫助。因此，我們也研究了任務之間多對一的關聯，我們稱其問高階關聯。在這種情況下，我們concatenate幾個起始任務的representation當作目標任務的輸入，其餘細節跟上段類似。
因為高階的任務組合數量太大，我們基於一階表現選擇了一部分的組合進行遷移學習。對於小於五階的高階，我們根據一階的表現，將前五的所有組合作為輸入。對於n > 5階，我們選擇結合一階表現前n的起始任務作為輸入。
>>>> 第三步：Ordinal Normalization
這一步的目標為用一個affinity matrix量化任務之間的關聯。雖然從上步習得的遷移網絡中我們獲得了許多的loss值 ，但因這些loss值來自於不同的loss 函數，它們的值域有很大差別。
如果我們把這些loss值直接放入一個矩陣（上圖左，縱軸為目標任務、橫軸為起始任務），那麼這個矩陣內的值及其不均勻，並不能有效反應任務之間的關聯。同時，簡單的線性規範化也並不能解決問題，因為任務的loss值和表現並不構成線性關係（0.01的l2 loss並不代表其表現兩倍好於0.02）。
由此，我們採用Ordinal Normalization（基於序數的規範化）來將loss值轉換為關聯度。該方法基於運籌學中的AHP (Analytic Hierarchy Process)。具體細節見論文或知乎，概括來講，affinity matrix中的第 (i, j) 個值為利用第 i 個起始任務遷移後，其網絡有多大的機率表現好於用第 j 個網絡（我們在下文稱其為 i 對於 j 的勝率）。
至此第一大階段完結，我們通過上述affinity matrix量化了任務之間的關聯性。
>>>> 第四步：BIP最優化
最後一步，我們要基於affinity matrix求得如何最有效地學習一組我們感興趣的任務。我們可以這個問題想像成一個subgraph selection的問題：選擇一些任務從零學習，剩下的任務用少量數據進行遷移學習，具體遷移學習的策略由subgraph中的edge來決定（對一條directed edge，起始點代表我們從零學習的一個任務，終點代表要進行遷移的目標任務）。基於此，我們可以通過解如下最優化問題來得到最優解：
這個最優問題有三個限制條件。
1. 如果我們選擇了一個遷移，那麼遷移的起始任務（可能為高階起始集）和目標任務均要出現在subgraph中
2. 每個目標任務有且僅有一個遷移（我們將從零學習在途中定義為從自己到自己的遷移，即一條自己到自己的edge）
3. 不超過監督預算
這三個限制條件的具體數學表達如下：
至此，我們通過解最優subgraph selection從而獲得了最有效遷移學習策略，如下圖：
實驗結果
Taskonomy項目訓練了3000+個神經網絡，總耗時～50000小時的GPU。從零學習消耗120k張圖片，遷移學習為16k張圖片。
我認為現有公眾號對Taskonomy翻譯中最不準確的是對Taskonomy實驗部分的評論。如文章一開頭所說，Taskonomy的目標為用有限的監督預算來最有效地解決一組任務，並不是將state of the art提高百分之幾。本文想宣揚的中心思想是計算機視覺界應注重視覺任務間的關聯性，並讓這些關聯性為我們所用。回到本文的具體用途，Taskonomy的用途有兩個：
1. Taskonomy作為解決一組任務的方法。
2. 用Taskonomy的任務詞典解決一個只有少量數據的新任務。
以下試驗結果分為兩個部分，分別對應以上兩點。
>>>> 一：解決一組任務
如何衡量Taskonomy解決一組任務的有效性？我們設定了兩個評判標準。
1. 遷移獲利 (Gain) : 如果我們不進行遷移學習，我們只能基於少量的數據從零學習。遷移獲利是指遷移學習相較於從零學習的勝率（見Ordinal Normalization部分）。
2. 遷移質量 (Quality) : 用少量數據遷移學習相較於用大量數據從零學習的勝率。
下圖是Taskonomy的遷移獲利 (左) 和質量 (右) 的圖表。兩圖的縱軸為所有目標任務，橫軸為監督預算，勝率在0-1之間。可見，對於一個26個任務的目標集，在只有一半甚至1/3的監督預算時，Taskonomy計算出的監督分配會使整體表現遠遠打敗從零學習（遷移獲利），並近似於（勝率超過40%）大量數據完全監督學習（遷移質量）。
>>>> 二：解決新任務
對於解決新任務，我們可以把我們任務詞典裡的目標任務當作一個新任務，模擬只有少量數據的情況。實驗結果如下，我們可以發現Taskonomy的表現超過了現有的行業pretrained features（包括imagenet fc7）。
總結
在Taskonomy項目裡，我們的目標是著眼於一組任務，並利用任務之間的關聯性減少總體數據使用量。為此，我們量化了視覺任務的關聯性，並基於求得的affinity matrix最優化得到如何分配任務監督數據量。實驗表明，視覺任務之間確實存在很強的關聯性，我們能通過更少的數據很好地解決一組任務。