zhixiongz
commented
2 years ago 您好，
感谢您的关注，我认为这是一个十分有价值的问题。首先BN论文里写的计算batch里样本的均值和方差是在训练阶段才进行的，测试阶段使用的是滑动平均值固定BN层的参数进行test（pytorch实现），即训练阶段每个batch的均值的均值，以及每个batch的无偏估计量。在我们基于视觉-语言预训练模型的方法中，CLIP的源码中包含多个BatchNorm2D，但是我们采用非端到端的方式，只将CLIP作为一个backbone抽取特征而不进行训练，所以当前的方法并没有引入batch间缺失样本的信息交互。正如你所说，未来的研究中如果需要进行端到端训练（Backbone中包含BN层）或者考虑样本分布信息的情况时，我们的划分方法不具备普适性。
感谢您指出的问题，我认为很有价值，欢迎继续交流。 祝好， 志雄
您好，“A Comprehensive Empirical Study of Vision-Language Pre-trained Model for Supervised Cross-Modal Retrieval” 这个工作是一个十分有价值的工作。我仔细学习了您提供的实验代码。不过发现了一个小问题，这个问题可能会避免日后研究的一些异常情况。
您对于缺失场景的实现策略似乎是这样的： （1）一个batch内数据的图像和文本模态全部经过模型推理； （2）将推理后的输出结果进行采样，获取一定百分比的缺失数据用于计算损失函数。 这样的方式不需要提前划分好缺失数据集，更加简洁。但是这种实现方式似乎存在一个问题： 该方法必须假设在网络推理过程中，batch内不同样本之间是不能存在信息交互的，如果发生了信息交互，即使在输出后的结果中，舍弃掉一部分数据构建缺失并计算损失，那这些被舍弃的数据虽然没进行损失计算，但是在推理阶段对其他样本产生了信息交互，因此可能不算是严格意义上的数据缺失（即依然可见）。典型的信息交互，比如BN层，会计算Batch内的均值和方差。