1 月 24 日消息，最近，Meta AI 推出了这样一个“杂食者”（Omnivore）模型，可以对不同视觉模态的数据进行分类，包括图像、视频和 3D 数据。

比如面对最左边的图像，它可以从深度图、单视觉 3D 图和视频数据集中搜集出与之最匹配的结果。

这在之前，都要分用不同的模型来实现；现在一个模型就搞定了。

而且 Omnivore 易于训练，使用现成的标准数据集，就能让其性能达到与对应单模型相当甚至更高的水平。

实验结果显示，Omnivore 在图像分类数据集 ImageNet 上能达到 86.0% 的精度，在用于动作识别的 Kinetics 数据集上能达 84.1%，在用于单视图 3D 场景分类的 SUN RGB-D 也获得了 67.1%。

另外，Omnivore 在实现一切跨模态识别时，都无需访问模态之间的对应关系。

不同视觉模态都能通吃的“杂食者”

Omnivore 基于 Transformer 体系结构，具备该架构特有的灵活性，并针对不同模态的分类任务进行联合训练。

模型架构如下：

Omnivore 会将输入的图像、视频和单视图 3D 图像转换为 embedding，并馈送到 Transformer 中。

虽然它可以使用任何 vision transformer 架构来处理 patch embedding，但鉴于 Swin transformer 在图像和视频任务上的强大性能，这里就使用该架构作为基础模型。

具体来说，Omnivore 将图像转为 patch，视频转为时空 tube（spatio-temporal tube），单视图 3D 图像转为 RGB patch 和深度 patch。

然后使用线性层将 patches 映射到到 embedding 中。其中对 RGB patch 使用同一线性层，对深度 patch 使用单独的。

总的来说，就是通过 embedding 将所有视觉模式转换为通用格式，然后使用一系列时空注意力（attention）操作来构建不同视觉模式的统一表示。

研究人员在 ImageNet-1K 数据集、Kinetics-400 数据集和 SUN RGB-D 数据集上联合训练出各种 Omnivore 模型。

这种方法类似于多任务学习和跨模态对齐，但有 2 点重要区别：

1、不假设输入观测值对齐（即不假设图像、视频和 3D 数据之间的对应关系）；

2、也不假设这些数据集共享相同的标签空间（label space）。

性能超 SOTA

实验方面，首先将 Omnivore 与各视觉模态对应的特定模型（下表中指 Specific）进行比较。

一共有三种不同的模型尺寸：T、S 和 B。

预训练模型在七个下游任务上都进行了微调。

图像特定模型在 IN1K 上预训练。视频特定模型和单视图 3D 特定模型均使用预训练图像特定模型的 inflation 进行初始化，并分别在 K400 和 SUN RGB-D 上进行微调。

结果发现，Omnivore 在几乎所有的下游任务上的性能都相当于或优于各特定模型。

其中尺寸最大的 Swin-B 实现了全部任务上的 SOTA。

将 Omnivore 与具有相同模型架构和参数数量的特定模型比较也是相同的结果。

其中 Omnivore 在 IN1K、K400 和 SUN 数据集上从头开始联合训练，而特定模态的模型针对每个数据集专门训练：

ImageSwin 模型从零开始训练，VideoSwin 和 DepthSwin 模型则从 ImageSwin 模型上进行微调。

接下来将 Omnivore 与图像、视频和 3D 数据分类任务上的 SOTA 模型进行比较。

结果仍然不错，Omnivore 在所有预训练任务中都表现出了优于 SOTA 模型的性能（下图从上至下分别为图像、视频和 3D 数据）。

此外，在 ImageNet-1K 数据集上检索给定 RGB 图像的深度图也发现，尽管 Omnivore 没有接受过关于 1K 深度图的训练，但它也能够给出语义相似的正确答案。

最后，作者表示，尽管这个“杂食者”比传统的特定模式模型有了很多进步，但它有一些局限性。

比如目前它仅适用于单视图 3D 图像，不适用于其他 3D 表示，如体素图（voxels）、点云图等。

关键词： 模型 图像 模态 数据 omnivore 架构 视频 杂食者 视觉 sota