可以做行程的网站seo工资待遇怎么样
写在前面，最近一阵在做视频分类相关的工作，趁有时间来记录一下。本文更注重项目实战与落地，而非重点探讨多模/视频模型结构的魔改
零、背景
- 目标：通过多模态内容理解技术，构建视频层级分类体系
- 原技术方案：
a. 分别用 inception-Resnetv2/bert/vggish处理视觉/文本/音频特征，再用 netvlad 处理时序特征，再用 AFM/self-attention融合各模态信息
b. 方案缺点很明显，1）模块太多，维护成本太高；2）各模块独立训练，用每个模块最优的模型组合起来未必效果最好，如何选择各合适的模块不好确定 - 新技术方案：
a. attenion 一把梭，各种模态的信息直接送入类 bert 去处理，利用对比学习模型 cn-clip 提升视觉与文本对齐能力，采用 mlm、itc 、itm、mmm等多种预训练任务增强模态间交互，结合 rdrop、fgm等训练算法提升泛化性能，使用知识蒸馏与难例挖掘等手段提升样本标出率，借助 class balance 与 label smoothing 改善类别不均衡问题
b. 新方案效果提升明显，模块也少，维护起来成本也低
c. 新方案为 2022 某视频分类比赛第 8 名
一、技术手段
1、模型方面
1）单流模型
-
结构：模型一
- 文本过embedding层，视频过zn_clip的vit，然后拼接起来送入bert，最后mean pooing后接分类层
-
优点：
- 架构简单、预训练好做，参数少
服务性能：a10卡，vit + bert 的 qps =9 左右
2）双流模型：
- 结构：
- 模型二：文本过bert，视频过clip，然后将视频向量和文本向量拼接起来，再过一个transformer，mean pooing后接分类层
- 模型三，文本过bert，视频过clip，得到视频向量和文本向量，然后做cross attention,即对于视频向量，用文本向量作为Q进行注意力加权，而对于文本向量，用视频向量作为Q进行注意力加权，最后mean pooing后接分类层
- 优点：
- 相当于一种后融合，先让每个模态单独学更好的特征，再去做融合，效果理论上也会更好
3）训练 tricks
-
训练手段
1）r-drop： acc 上升 71%—>71.7%
2）swa：平均最高 3 个 checkpoints权重，模型准确率略有提升（71.7%->71.8%）
4）ema：acc 71.879% -> 71.975%
5）fgm对抗训练，acc 71.975% -> 72.206%
6）word-base：acc 72.206% -> 72.4%
7）ensemble：model1（72.638%） + model2（72.785%）—> acc 73.601%
8）训练帧数增加：帧数从 10—>30，acc 67.308 -> 67.782
9）图片尺寸：resize224x224 —> centercrop，acc 72.4—>73
-
loss 改进
- 类别不均衡问题：label smoothing 和 class balanced loss 融合，acc 71.750% -> 71.879%
- 层级分类问题：细粒度分类+粗粒度分类、细粒度分类映射、hmc los
4）预训练
- mlm、mfm、itm、itc、mmm、mma
2、数据方面
1）数据准备
- 类别关系映射 + 大量人标注，累计积累了 103 w 数据
- 基于初版模型，根据top1&top2 的预测分数，捞取边界数据，提升标出率
2）数据清洗
- N 折交叉验证
- 训练早停，筛选 diff 数据
3）伪数据构造
- 知识蒸馏
- 标注数据上，使用更多帧、更大模型（clip-large）、不同模型架构，训练n 个模型
- 使用 i 得到的 n 个模型ensemble 为无标注数据打伪标签
- 在 ii 的伪标签数据上做预训练，预训练任务及伪标签分类，预训练时随机使用10/30帧的视频，以缓解预训练和微调过程不一致
- 重复 ii、iii，用最后得到的模型做微调初始化
- 在有标注数据上进行微调
- 基于检索的伪标签
- 标注数据上，训练 DML 模型并提取特征
- 无标记数据检索有标记数据，对 top10 样本进行类别投票，生成伪标签
3、后处理方面
- 不同类别给予不同的缩放系数，大类为 1，效率大于 1，使用粒子群优化算法pso搜一个也行
- 模型能力总归是有限的，根据业务需要，结合人审，制定合适的送审策略也是重要的
4、外部信号
1）结合先验特征，比如作者主垂类信息、作者兴趣点、作者认证信息、同作者发布内容等
2）结合后验信号，视频评论，点赞、完播率等