当前位置：首页 > news >正文

LDC

news 2026/6/14 11:25:24

这篇论文旨在解决，CLIP存在类间混淆问题。

CLIP通过对比学习在大规模图文对上进行预训练，而不是直接优化分类边界，因此在分类任务中区分类别能力不足，存在明显的类间混淆。
而且，下游数据与预训练数据之间存在显著域差异进一步加剧了类间混淆，特别是类别间相似度较高时。

我们可以通过一个可学习模块来建模类间混淆，然后通过残差结构消除这些混淆。

下面是方法：

传统CLIP：

先计算每个图文对的余弦相似度（第3个），然后归一化这个值（第2个），然后最大值就是预测值（第1个）。

改进：

但是这时候是有类间混淆的，所以我们在最后比较最大值之前，应该用去除混淆的干净值来比较。所以要在归一化之后去除混淆，即：

混淆是怎么得到的呢？

将图像xi作为先验，然后通过归一化得到的值来学习类间混淆，即：

然后，我们方法中的参数通过最小化干净值（去了混淆的干净值）与标签值的交叉熵损失来优化：

最后，为了防止过度去混淆，采用了L1正则化的相似损失，以确保干净值（预测值）与原始值（预测值）保持相似：

总损失（交叉熵损失 + λ × 相似损失）：

下面介绍一下模型及各个模块：

总体逻辑：

首先通过CLIP得到原始值。

下面的MAF会融合图像编码器的不同层的特征，以融合低层细节信息和高层语义信息，得到增强特征，

增强特征经过MLP得到 MAF的s值（特征值）。

ICD模块以增强特征为先验，通过残差结构从原始值来学习类间混淆得到 ICD的s值（类间混淆值）。

最后，ALF模块将 MAF的s值 与 ICD的s值 融合，其中权重α 由 α Generator 得到。

MAF模块：

其中 Fusion 步骤有 WF 和 LF 两种方式：

WF中的 β 是预置权重；LF首先通过跨特征通道维度进行特征串接，然后使用 Adapter 降维。

ICD模块：

首先，A1 Adapter 从原始值 学习类间混淆模式，
A2 Adapter从增强特征学习类间混淆的先验，
然后 A1 和 A2 的输出一起输入到 A3 Adapter，联合学习 原始值 和 增强特征 的类间混淆模式。
最后，通过残差结构去除学习到的混淆模式，得到干净值。