paper：Emerging Properties in Self-Supervised Vision Transformers

源码：https://github.com/facebookresearch/dino

20230627周二目前只把第一部分看完了。

论文导读：DINO -自监督视觉Transformers - deephub的文章 - 知乎

综述类型：CV领域的对比学习综述(下)

DINO原理

DINO是如何工作的

DINO 采用一种称为自蒸馏的方法。 这也是名字的由来：没有标签的自蒸馏

自蒸馏创造了一个教师和一个学生网络。 这两个网络都具有完全相同的模型架构。 DINO 的一大优势在于在这一点上完全灵活：可以使用 新兴的ViT 或 传统的卷积都是可以的，例如流行的 ResNet-50。

DINO 训练过程的简化概述： 一张图片被裁剪成两种尺寸，然后输入学生和教师网络。 对教师的输出应用居中操作，并且两个输出都通过 softmax 层归一化整理。 [2]

为了交叉熵作为损失函数为模型反向传播提供更新参数的策略。

两个 softmax 输出都传递到损失函数中，使用随机梯度下降 (SGD) 执行反向传播。在这里的反向传播是通过学生网络执行的，这时教师的权重尚未更新的原因。 为了更新教师模型，DINO 对学生权重使用指数移动平均 (EMA)，将学生网络的模型参数传输到教师网络。

QA

一些我看论文前的问题，

1. DINO是什么？

DINO, which we interpret as a form of self-distillation with no labels.
一种没有labels的自蒸馏的形式。
没有label的知识蒸馏方式。design a simple self-supervised approach that can be interpreted as a form of knowledge distillation with no labels. 

2. DINO VIT与 VIT 的关系是？

paper中描述：使用 ViT 训练 DINO。

我理解为：DINO是一种结构，结构里基本的特征提取是VIT。

暂时猜测，DINO VIT是通过数据【以自监督方式预训练】过的；
而 VIT 仅仅是通过数据【以图像分类方式预训练】过的；

3. 其他收获

- 论文里说明，dino vit（Self-supervised ViT） 在without any finetuning的情况下就可以在KNN任务上表现很好。
- vit patch越小，vit性能越好，但会慢。比如16*16比8*8的效果要好。

李沐精读论文：ViT 《An Image Is Worth 16x16 Words: Transformers For Image Recognition At Scale》_iwill323的博客-CSDN博客