合作單位包括清華、國科大、上海交大、阿里巴巴。本文第一作者為殷東碩，清華大學計算機系「水木學者」博后，中科院博士，曾以一作身份在 Nature Communications、IEEE CVPR、IEEE ICCV、ACM MM、IEEE TITS 等國際期刊/會議發(fā)表論文，并任 NeurIPS、CVPR、ICCV、ICLR、IEEE TIP、IEEE TMM 等會議期刊審稿人。曾獲「中國科學院院長獎」，并與微軟亞洲研究院 MSRA 和阿里巴巴集團進行科研合作。研究方向包括計算機視覺、參數高效微調、視頻生成、多模態(tài)以及遙感圖像解譯等。
Mona（Multi-cognitive Visual Adapter）是一種新型視覺適配器微調方法，旨在打破傳統(tǒng)全參數微調（full fine-tuning）在視覺識別任務中的性能瓶頸
- 論文標題：5%>100%: Breaking Performance Shackles of Full Fine-Tuning on Visual Recognition Tasks
- 論文地址：https://arxiv.org/pdf/2408.08345
- 代碼地址：https://github.com/Leiyi-Hu/mona
Mona 方法通過引入多認知視覺濾波器和優(yōu)化輸入分布，僅調整 5% 的骨干網絡參數，就能在實例分割、目標檢測、旋轉目標檢測等多個經典視覺任務中超越全參數微調的效果，顯著降低了適配和存儲成本，為視覺模型的高效微調提供了新的思路。
論文亮點
隨著現代深度學習的發(fā)展，訓練數據和模型規(guī)模的增加成為模型性能的重要增長點，但隨之而來的是模型的垂直應用和微調成本和難度的提升。
傳統(tǒng)全量微調需要更新模型所有參數（如 GPT-3 的 1750 億參數），計算成本極高。即使以早期的 BERT 為例，單卡訓練 100 萬數據也需 5-7 小時，對硬件資源和時間的要求限制了研究復現和實際應用。
同時，隨著模型參數從億級邁向萬億級，直接微調不僅成本高昂，還可能因過擬合導致性能下降。此外，多任務場景下需為每個任務保存完整模型副本，存儲成本劇增。
參數高效微調（Parameter Efficient Fine-Tuning，PEFT）通過保持預訓練模型參數凍結，僅調整少量參數就可實現大模型在垂直應用領域的高效適配。但目前大多數 PEFT 方法，尤其是視覺領域的 PEFT 方法的性能相較于全量微調而言還存在劣勢。
Mona 通過更適合視覺信號處理的設計以及對預訓練特征分布的動態(tài)優(yōu)化，在小于 5% 的參數成本下首次突破了全量微調的性能枷鎖，為視覺微調提供了新的解決方案。
本文的核心在于強調：（1）PEFT 對于視覺模型性能上限的提升（尤其是參數量較大的模型）；（2）視覺模型在全微調（尤其是少樣本情況）會存在嚴重的過擬合問題；（3）1×LVM + n×Adapter 模式在實際業(yè)務中潛在的性能和效率優(yōu)勢。
對于具體業(yè)務來說，有些用到 LVM 或者多模態(tài)大模型（如 OCR 等任務）的任務會對視覺編碼器部分進行固定或僅微調 linear 層來適應下游數據。Mona 的存在理論上可以進一步提升 LVM、多模態(tài)大模型對視覺特征的理解和重構，尤其是對于一些少樣本 post-training 問題。
方法
Mona 包含降維、多認知視覺濾波器、激活函數和升維等模塊，并在適配器內部加入了跳躍連接（Skip-Connections），以增強模型的適應能力。這種結構設計使得 Mona 能夠在保持高效的同時，顯著提升視覺任務的性能。
多認知視覺濾波器
Mona 方法的核心在于引入了多認知視覺濾波器，這些濾波器通過深度可分離卷積（Depth-Wise Convolution）和多尺度卷積核（3×3、5×5、7×7）來增強適配器對視覺信號的處理能力。與傳統(tǒng)的線性適配器不同，Mona 專門針對視覺任務設計，能夠更好地處理二維視覺特征，通過多尺度特征融合提升模型對視覺信息的理解能力。
輸入優(yōu)化
Mona 在適配器的前端加入了分布適配層（Scaled LayerNorm），用于調整輸入特征的分布。這種設計能夠優(yōu)化從固定層傳遞過來的特征分布，使其更適合適配器的處理，從而提高微調效率。
實驗結果
實驗設置
論文在多個代表性視覺任務上進行了實驗，包括：
- 實例分割（COCO）
- 語義分割（ADE20K）
- 目標檢測（Pascal VOC）
- 旋轉目標檢測（DOTA/STAR）
- 圖像分類（Flowers102、Oxford-IIIT Pet、VOC2007）
實驗使用了 SwinTransformer 系列作為骨干網絡，并基于 ImageNet-22k 數據集進行預訓練。
性能對比
- 在 COCO 數據集上，Mona 方法相比全參數微調提升了 1% 的 mAP，僅調整了不到 5% 的參數。
- 在 ADE20K 數據集上，Mona 提升了 0.18% 的 mIoU，表現出色。
- 在 Pascal VOC 數據集上，Mona 提升了 3.6% 的 APbox，顯示出顯著的性能提升。
- 在旋轉目標檢測任務（DOTA/STAR）中，Mona 在多個框架下均優(yōu)于其他方法。
- 在圖像分類任務上，Mona 也有不俗的性能。
收斂性分析
在所有方法中，Mona 收斂速度更快，并且明顯超過了全微調。
即插即用模塊
import torch.nn as nn
import torch.nn.functional as F
# ------------------------------ Mona 模塊 ------------------------------
INNER_DIM = 64
class MonaOp(nn.Module):
def __init__(self, in_features):
super().__init__()
self.conv1 = nn.Conv2d(in_features, in_features, kernel_size=3, padding=3 // 2, groups=in_features)
self.conv2 = nn.Conv2d(in_features, in_features, kernel_size=5, padding=5 // 2, groups=in_features)
self.conv3 = nn.Conv2d(in_features, in_features, kernel_size=7, padding=7 // 2, groups=in_features)
self.projector = nn.Conv2d(in_features, in_features, kernel_size=1, )
def forward(self, x):
identity = x
conv1_x = self.conv1(x)
conv2_x = self.conv2(x)
conv3_x = self.conv3(x)
x = (conv1_x + conv2_x + conv3_x) / 3.0 + identity
identity = x
x = self.projector(x)
return identity + x
class Mona(BaseModule):
def __init__(self,
in_dim,
factor=4):
super().__init__()
self.project1 = nn.Linear(in_dim, INNER_DIM)
self.nonlinear = F.gelu
self.project2 = nn.Linear(INNER_DIM, in_dim)
self.dropout = nn.Dropout(p=0.1)
self.adapter_conv = MonaOp(INNER_DIM)
self.norm = nn.LayerNorm(in_dim)
self.gamma = nn.Parameter(torch.ones(in_dim) * 1e-6)
self.gammax = nn.Parameter(torch.ones(in_dim))
def forward(self, x, hw_shapes=None):
identity = x
x = self.norm(x) * self.gamma + x * self.gammax
project1 = self.project1(x)
b, n, c = project1.shape
h, w = hw_shapes
project1 = project1.reshape(b, h, w, c).permute(0, 3, 1, 2)
project1 = self.adapter_conv(project1)
project1 = project1.permute(0, 2, 3, 1).reshape(b, n, c)
nonlinear = self.nonlinear(project1)
nonlinear = self.dropout(nonlinear)
project2 = self.project2(nonlinear)
return
結論
Mona 方法通過多認知視覺濾波器和輸入優(yōu)化，顯著提升了視覺任務的微調性能，同時大幅減少了參數調整量。這一方法不僅在多個視覺任務中超越了傳統(tǒng)全參數微調，還為未來視覺模型的高效微調提供了新的方向。
預印版期間，Mona 已被復旦、中科大、南大、武大等多家單位的工作視為 SOTA 方法運用在醫(yī)學、遙感等領域。Mona 的開源代碼將進一步推動這一領域的研究和應用。
熱門跟貼