[人工智能]Dealing with Missing Modalities in the VQ Answer-Difference Prediction Task through知识蒸馏 笔记

一、Abstract

摘要里面对文章标题做了详细的解释：采用 知识蒸馏 的方法解决 模态缺失 的问题。

方法：采用 三输入（image/question/answer）+ 模型的联合，蒸馏 出 knowledge 到目标网络(student)，student 输入为 image/question pairs

数据集采用 VizWiz VQA-V2 Answer difference datasets。

二、引言

VQA的发展产生了 VQD(Visual Question Answer-Diffenence任务)，也就是在 VQA 之上再进一步的任务：尝试理解为什么 VQA 模型可能 产生不同答案 的原因。

借此引入VizzWiz数据集，然后以另外一篇参考文献为依托，讲述现有一些模型 未能考虑答案的轻微差异性 甚至是 答案的主观性，因此对应产生了 VQD 任务。

VQD 定义如下: 给出 问题+图像+10个可能的答案，模型需要回答 不同类型答案 产生的 10种类别/原因，即 在所给图像和问题的情况下，为什么会有 10个可能的答案。

另外由于 VQD 挑战仍在进行，测试集并未公开，意味着在 测试时 需要使用 不同的答案 作为 输入 。所以 实际上VQD的定义 为：给一对图像+问题，模型需要 理解图像+问题，从而不仅仅 输出 正确答案，而且还能 推理 为什么会有 不同的答案。

所以，作者的打算：
1、使用 3 个 modalities (图像+问题+答案) 训练网络
2、知识蒸馏 出缺失的模态；
3、去训练另外一个 只有图像+问题 作为输入的模型
本文 主要贡献 如下：
1、回顾了 VQD，设计出方法解决 测试时模态缺失 的问题
2、设计了 新 的network，“Big” teacher
3、新方法🐮

三、相关工作

作者一开始表明了数据集存在的一些 问题，重点关注于 数据集中的答案差异。

1、Answer Difference in VQA Datasets

之前的研究该问题的工作：基于性能指标一致性 ?

现有文献对 问题差异性 的研究：subjective, ambiguous, or containing synonymous answers。具体来说，在 VQA & VizWiz 数据集中，明确地标出了每个视觉问题——指出 九个选项 中 哪一个 是 导致 观察到的 答案差异 的原因。

2、Generalized Knowledge Distillation

一般的 蒸馏 ：采用两种流行的 “机器-教导-机器” 框架：知识蒸馏和私有信息，

接下来分别讲述哪个人 第一次引入“学生-教师” 策略，主要思想就是 教师 在 训练过程中 可以的得到 额外的信息，学生在 测试时 知识 不提供全部知识 的情况。

引入的 知识蒸馏：动机来源于 迁移教师的知识到学生，通过 匹配 教师的 输出 和学生的 输出 表示来 提升学生模型。

在作者提出的模型中：有一个 三种单模态的模型+3输入(教师)， 目标(学生)模型 为仅采用visual/question对的模型。
吹牛皮的时候到了：是 第一个 引入一般的蒸馏计划 到 VQD 任务中。

四、Methodology

主要包含 “教师”模型 和 “Big”教师模型 + 知识蒸馏 的框架：

1、Problem Definition

开始讲了 VQA 的定义，这里不啰嗦。然后讲 VQD的定义：给出图问对，目标是 从 10种原因（为什么有不同的答案，本文第三张图片所示）中给出 真实的 binary ground truth vector（也就是 每个原因的概率 ）。
其中，数据集的标签 情况：每一个 原因 被打上标签：
1 ：出现
0 ：未出现。

作者模型框架 通用结构：

说实话，确实有点过时了huo~

2、Proposed Training Method

上来介绍所用的 数据集，ViWiz VQD 数据集包含了真实的 目标标签，以及含有不同答案原因的标签，注意一下，只有 测试集和测试集 提供这些，测试集 是 不提供标签 的。

所以作者 在测试时 的数据集是 无法提供答案标签 的。

直观上来说，依赖三个模态 的模型和 只依赖问题和图像 的模型相比，依赖少的 表现得 更糟。
另外：

鉴于此，作者根据 “教师-学生” 框架设计出多种模型，再加上 知识蒸馏。尽管 最佳的模型 有着所有的模态，由于当前数据集的限制，作者认为采用 不同教师模型的联合 同样是最佳解决方案。

3、Individual Modality Teacher Models

首先是对作者提出的模型进行描述：

视觉 教师： Resnet50 + mlp 产生 class logit
问题 教师：Glove embedding + GRU backbone + mlp 产生 class logit
Big Teacher: 使用 所有模态(V+Q+A)，是 最复杂 的模型，超出了Baseline model。

接下来 重点强调 了 答案 教师：采用 不同标签答案 作为输入，尝试去 理解 这种答案差异分布的原因；

和 其他教师 模型有 轻微不同 的地方在于：在 没有任何其他线索的情况下，直接利用答案 猜测为什么会有 不同的答案。对于答案词表，官方采用了 6250 个 词频大于5次 的单词。

而作者则选择了 独一无二的 58789 个 词表，原因 是有很多 独一无二的答案被舍弃掉 之后，模型可能 不会在意微小的差别，因此 导致混乱 或者 颗粒状的推理 产生。如果 除去测试集 外，使用了 45304 个单词。

4、“Big” Teacher Model

大教师 模型：res50+glove embedding +gru + attentionn 送入 MLP 产生 class logit

5、Student Model

ResNet50+Glove embeddings + GRU，采用 Q+V 作为输入+ MLP 产生中间特征 + FC classifier 输出 class logit 送入 Sigmoid 进行归一化 输出

6、Teaching the Student

教师 模型需要通过 预训练 才能教导学生（ “预训练”，你在开玩笑？），采用 BCE损失

每一个教师模型采用 三个输入，通过 L2损失 来 匹配 教师模型和学生模型的输出。另外还采用了 不同教师模型 里面的 中间视觉和问题特征，Figure3 上面很详细。理论上来说是强迫学生模型 学习 另一个模态存在时 而不能学到的 特征表示。

大教师 模型可以 学习答案的模态，通过 蒸馏 中间层的 特征表示，学生 模型可以 模仿 其需要 遵循的特征 表示规律，从而可以 预测出 问题+图像对 产生答案 的 差异类型。（emmmm, 感觉有点牵强？）

最终模型，采用 7个L2损失 在学生模型上，以及自身的 BCE损失，还采用了 中间特征 以及 预测特征 + 大教师 模型 蒸馏学生模型 的损失，最终损失如下：

五、实验

1、Implementation Details

ResNet50+ GRU 45304 个单词表，采用一个 word embedding 嵌入答案到特征里面，原因是：答案是单词而不是句子，所以 并未采用 RNN （啊，方法太老了吧？现在的 Transformer 完全无缘呀）

参数设置：1024 隐藏层维度
MLP 2层 全连接层 + relu 激活函数
adam 优化器 r=0.1
学习率 lr 0.01
教师模型 5 个 epoch
学生模型 20 个 epoch

2、VizWiz VQD Dataset Setup

一些对该数据集的介绍，由于 测试集未公开，所以采用 训练集训练，验证集进行测试，每个问题有 10个答案 以及 10个答案为什么不同 的 原因标注（正确的原因为1，其他为0）

3、Answer Difference Baselines

Q、I、A、 模型是单独训练的 教师 模型，Q+I+A 模型是 基础 模型，以及 大教师 模型
总结：单个模型 效果好，联合 起来效果更好，组合 更牛皮，归因于 知识蒸馏 至学生模型

4、Results of Knowledge Distillation

消融 实验：每一个蒸馏方法是 如何影响 学生模型的性能。Basline 是 没有 任何知识蒸馏的损失的 Q+I 模型。

这个 翻车 的结果表明：蒸馏 单个模态 到 基础 模型 并未对 学生模型 产生帮助，表4红色的 参数表明，教师 模型中的 视觉线索 并未 真正影响 基础模型；同时表明了：单个 教师 模型 发生退化 了。

原因 分析：学生模型 似乎 没有 从答案教师得到 更多的知识，可能的原因 是 答案 教师预测是==基于 并未出现 在学生模型上的不同模态 ==，所以单个 教师 模型 并不能帮助 学生模型。

然后作者 继续改进：单单 联合 所有教师模型 无用，最佳模型为 大教师+视觉+问题教师+所有中间特征的模型

原因 是由于 大教师 模型 (联合V、Q、A、+中间特征) 太 依赖于 答案，并未超过最佳模型。

为了 更加伟大，作者运用 V+Q教师的损失+中间特征，使得 模型最伟大

5、Testing on the VQA 2.0 Dataset

VQA2.0 数据集在测试集中有 真实的答案 可以 提供，所以作者使用 trainval 训练，test 进行评估：

在 VizWiz 数据集上，和其他数据集 差异 的存在使得更 容易认错 在 LQI 上，但其他类似 AMB、SBJ 这种并未受到影响，但是 DFF & SBJ 分数较高。

通过比较 视觉 教师 or 单独的视觉 模型，很难通过 仅观察 来得出 答案差异（在 LQL 上的性能下降）。

在 VQAv2 数据集上，表4 中 单个模态 显著提升了模型性能，但是 最佳模型 仍然需要 大教师 模型的 参与（变相说明作者提出的模型好？）

接下来是 可视化 部分：

基础模型 是 没有任何知识蒸馏 的模型，学生模型 是 有蒸馏 的模型。

基础 模型在 学错 之后通过 蒸馏 学对了。

但是一个 显著缺陷 是： 学生模型 易受到 教师 错误的 影响：如果教师模型答案全错，那么 学生 容易受到 教师的影响 将 正确的改成错误的 (emmm, 理论上来说是这样，但是人类会出现大佬，反驳 老师，但 机器却不会 )，这表明了 教师模型 是很 plausible 的。

六、总结

设计模型 提高 对 所给模态模型 的性能：大教师 模型，蒸馏知识 到 学生模型。

结语

终于，这篇博客算是写完了，这也是笔者第一次接触到这种类型的文章，研究答案的差异性，但是我很好奇的一点是，文中出现的 “reason” 真的是模型拥有的“推理”能力，而不是模板匹配吗？