GeneCIS: Бенчмарк для оценки общей условной схожести изображений

GeneCIS: A Benchmark for General Conditional Image Similarity

June 13, 2023

Авторы: Sagar Vaze, Nicolas Carion, Ishan Misra

cs.AI

Аннотация

Мы утверждаем, что существует множество понятий «сходства», и модели, подобно людям, должны уметь адаптироваться к ним динамически. Это контрастирует с большинством методов обучения представлений, будь то с учителем или самообучение, которые изучают фиксированную функцию вложения и, следовательно, неявно предполагают единое понятие сходства. Например, модели, обученные на ImageNet, смещены в сторону категорий объектов, в то время как пользователь может предпочесть, чтобы модель фокусировалась на цветах, текстурах или конкретных элементах сцены. В данной статье мы предлагаем бенчмарк GeneCIS («генезис»), который измеряет способность моделей адаптироваться к различным условиям сходства. Расширяя предыдущие работы, наш бенчмарк предназначен исключительно для оценки в режиме zero-shot и, следовательно, рассматривает открытый набор условий сходства. Мы обнаруживаем, что базовые модели на основе мощных CLIP-моделей испытывают трудности на GeneCIS, а производительность на этом бенчмарке лишь слабо коррелирует с точностью на ImageNet, что указывает на то, что простое масштабирование существующих методов не приносит плодов. Мы также предлагаем простое и масштабируемое решение, основанное на автоматическом извлечении информации из существующих наборов данных с изображениями и подписями. Мы обнаруживаем, что наш метод значительно превосходит базовые подходы на GeneCIS и дополнительно улучшает производительность в режиме zero-shot на связанных бенчмарках для поиска изображений. Фактически, хотя оценка проводится в режиме zero-shot, наша модель превосходит современные модели с учителем на MIT-States. Страница проекта: https://sgvaze.github.io/genecis/.

English

We argue that there are many notions of 'similarity' and that models, like humans, should be able to adapt to these dynamically. This contrasts with most representation learning methods, supervised or self-supervised, which learn a fixed embedding function and hence implicitly assume a single notion of similarity. For instance, models trained on ImageNet are biased towards object categories, while a user might prefer the model to focus on colors, textures or specific elements in the scene. In this paper, we propose the GeneCIS ('genesis') benchmark, which measures models' ability to adapt to a range of similarity conditions. Extending prior work, our benchmark is designed for zero-shot evaluation only, and hence considers an open-set of similarity conditions. We find that baselines from powerful CLIP models struggle on GeneCIS and that performance on the benchmark is only weakly correlated with ImageNet accuracy, suggesting that simply scaling existing methods is not fruitful. We further propose a simple, scalable solution based on automatically mining information from existing image-caption datasets. We find our method offers a substantial boost over the baselines on GeneCIS, and further improves zero-shot performance on related image retrieval benchmarks. In fact, though evaluated zero-shot, our model surpasses state-of-the-art supervised models on MIT-States. Project page at https://sgvaze.github.io/genecis/.