CVPR 2025 | CV 微调卷出天际，Mona：我小、我强、我省资源
仅用于站内搜索，没有排版格式，具体信息请跳转上方微信公众号内链接
Mona（Multi-cognitiveVisualAdapter）是一种新型视觉适配器微调方法，旨在打破传统全参数微调（fullfine-tuning）在视觉识别任务中的性能瓶颈。
论文标题：5%>100%:BreakingPerformanceShacklesofFullFine-TuningonVisualRecognitionTasks
论文地址：https ://arxiv.org/pdf/2408.08345
代码地址：https ://github.com/Leiyi-Hu/mona
Mona方法通过引入多认知视觉滤波器和优化输入分布，仅调整5%的骨干网络参数，就能在实例分割、目标检测、旋转目标检测等多个经典视觉任务中超越全参数微调的效果，显著降低了适配和存储成本，为视觉模型的高效微调提供了新的思路。
随着现代深度学习的发展，训练数据和模型规模的增加成为模型性能的重要增长点，但随之而来的是模型的垂直应用和微调成本和难度的提升。
传统全量微调需要更新模型所有参数（如GPT-3的1750亿参数），计算成本极高。即使以早期的BERT为例，单卡训练100万数据也需5-7小时，对硬件资源和时间的要求限制了研究复现和实际应用。
同时，随着模型参数从亿级迈向万亿级，直接微调不仅成本高昂，还可能因过拟合导致性能下降。此外，多任务场景下需为每个任务保存完整模型副本，存储成本剧增。
参数高效微调（ParameterEfficientFine-Tuning，PEFT）通过保持预训练模型参数冻结，仅调整少量参数就可实现大模型在垂直应用领域的高效适配。但目前大多数PEFT方法，尤其是视觉领域的PEFT方法的性能相较于全量微调而言还存在劣势。
Mona通过更适合视觉信号处理的设计以及对预训练特征分布的动态优化，在小于5%的参数成本下首次突破了全量微调的性能枷锁，为视觉微调提供了新的解决方案。
本文的核心在于强调：（1）PEFT对于视觉模型性能上限的提升（尤其是参数量较大的模型）；（2）视觉模型在全微调（尤其是少样本情况）会存在严重的过拟合问题；（3）1×LVM+n×Adapter模式在实际业务中潜在的性能和效率优势。
对于具体业务来说，有些用到LVM或者多模态大模型（如OCR等任务）的任务会对视觉编码器部分进行固定或仅微调linear层来适应下游数据。Mona的存在理论上可以进一步提升LVM、多模态大模型对视觉特征的理解和重构，尤其是对于一些少样本post-training问题。
Mona包含降维、多认知视觉滤波器、激活函数和升维等模块，并在适配器内部加入了跳跃连接（Skip-Connections），以增强模型的适应能力。这种结构设计使得Mona能够在保持高效的同时，显著提升视觉任务的性能。
Mona方法的核心在于引入了多认知视觉滤波器，这些滤波器通过深度可分离卷积（Depth-WiseConvolution）和多尺度卷积核（3×3、5×5、7×7）来增强适配器对视觉信号的处理能力。与传统的线性适配器不同，Mona专门针对视觉任务设计，能够更好地处理二维视觉特征，通过多尺度特征融合提升模型对视觉信息的理解能力。
Mona在适配器的前端加入了分布适配层（ScaledLayerNorm），用于调整输入特征的分布。这种设计能够优化从固定层传递过来的特征分布，使其更适合适配器的处理，从而提高微调效率。
论文在多个代表性视觉任务上进行了实验，包括：
实例分割（COCO）
语义分割（ADE20K）
目标检测（PascalVOC）
旋转目标检测（DOTA/STAR）
图像分类（Flowers102、Oxford-IIITPet、VOC2007）
实验使用了SwinTransformer系列作为骨干网络，并基于ImageNet-22k数据集进行预训练。
在COCO数据集上，Mona方法相比全参数微调提升了1%的mAP，仅调整了不到5%的参数。
在ADE20K数据集上，Mona提升了0.18%的mIoU，表现出色。
在PascalVOC数据集上，Mona提升了3.6%的APbox，显示出显著的性能提升。
在旋转目标检测任务（DOTA/STAR）中，Mona在多个框架下均优于其他方法。
在图像分类任务上，Mona也有不俗的性能。
在所有方法中，Mona收敛速度更快，并且明显超过了全微调。
Mona方法通过多认知视觉滤波器和输入优化，显著提升了视觉任务的微调性能，同时大幅减少了参数调整量。这一方法不仅在多个视觉任务中超越了传统全参数微调，还为未来视觉模型的高效微调提供了新的方向。
预印版期间，Mona已被复旦、中科大、南大、武大等多家单位的工作视为SOTA方法运用在医学、遥感等领域。Mona的开源代码将进一步推动这一领域的研究和应用。
©THEEND
转载请联系本公众号获得授权
投稿或寻求报道：liyazhou@jiqizhixin.com
