谷歌新推出了弱监督看图说话模型 SimVLM,能够轻松实现零样本学习(zero-shot)任务迁移。

从文字描述图像到回答图片相关问题,模型无需微调也能样样精通。

对于一般的视觉语言预训练(VLP)模型,训练数据集中要求包含大量精准标签。而模型的任务迁移,则需要针对特定任务重新进行数据集的标签标注。

总结下来,就是标注数据集不仅耗时耗力,还不能多任务通用。

能不能开发出一种又简单又万能的 VLP 模型呢?

谷歌新开发的这款模型使用了弱监督学习进行模型训练,通过利用大量的弱对齐图像-文本对进行建模,简化了 VLP 的训练流程,大大降低了训练的复杂性。

SimVLM 使用前缀语言建模的单一目标进行端到端训练,并直接将原始图像作为输入。这些设置允许模型对大规模的弱标记数据集进行利用,从而能够更好地实现零样本学习泛化效果。

SimVLM 模型是如何实现的?

SimVLM 模型的预训练过程采用了前缀语言建模 (PrefixLM) 的单一目标,接受序列的前缀作为输入,通过模型解码器来预测其延续的内容。

对于数据集中的图像-文本对,图像序列可视作其文本描述的前缀。

这种方法可以简化训练过程,最大限度地提高模型在适应不同任务设置方面的灵活性和通用性。

模型的主干网络,则使用了在语言和视觉任务上均表现突出的 Transformer 架构。

对输入的原始图像数据提取上下文 patch,这里采用了 ResNet 卷积网络。

如上图所示:视觉模态中,图片被分割成多个 patch,然后压缩为一维序列。文本模态语句则被映射到了一个表征向量中

本模型使用了包含大约 1.8B 噪声的图像-文本对 ALIGN 训练集进行预训练,以此来实现更好的零样本学习泛化能力。

为了补偿训练集中的噪声影响,训练模型另外还使用了共 800G 的 Colossal Clean Crawled Corpus (C4) 数据集。

SimVLM 模型基础性能如何?

模型的预训练完成后,需要在多模式任务中对模型进行微调,以测试性能。

这里用到的多模式任务有:VQA、NLVR2、SNLI-VE、COCO Caption、NoCaps 和 Multi30K En-De。

▲ 性能指标:BLEU-4 (B@4)、METEOR (M)、CIDEr (C)、SPICE (S)

将 SimVLM 模型与现有的功能完善的模型进行比较,测试结果如上表所示,参与评估的 SimVLM 模型还包括了三种不同规模:8600 万参数、3.07 亿参数和 6.32 亿参数。

跨模式任务的测试结果中,SimVLM 模型的性能表现最好(数据越大越好),除了 CoCo Caption 的 B@4 指标,在其他任务上都取得了新的 SOTA 结果,充分证明了该模型的先进性。

SimVLM 模型零样本泛化

SimVLM 模型在跨模式任务测试中可以取得不错的性能表现,那么它能否顺利执行零样本跨模态转移呢?

预训练的 SimVLM 模型仅对文本数据进行微调或完全不进行微调,通过图像字幕、多语言字幕、开放式 VQA 和视觉文本生成等任务,对模型进行测试。

测试结果如下图所示:

给定图像和文本提示,预训练模型无需微调即可预测图像的内容

除此之外,未进行过微调的模型在德语字幕生成、数据集外的答案生成、基于图像内容的文字描述、开放式视觉问题回答等应用上均有不错的表现。

为了量化 SimVLM 的零样本学习性能,这里采用了预训练的固化模型在 COCO Caption 和 NoCaps 上进行解码,然后与监督标准基线(Sup.)进行比较。

从结果对比上来看,即使没有监督微调,SimVLM 也可以达到有监督的训练质量水平。

作者介绍

本研究的第一作者是谷歌学生研究员王子瑞,现就读于卡内基梅隆大学,曾以第一作者身份在 ICLR、EMNLP、CVPR 等顶会上发表了多篇论文。

截止到 2020 年 12 月 20 日,他在 SuperGLUE 数据集上获得了第一个超过人类得分的 SOTA 性能(分数超过 90),目前则被百度团队赶超,位居第二。

这一次开发的 SimVLM 也在 6 个视觉语言基准测试中达到了单模型 SOTA 性能,并实现了基于文本引导的零样本学习泛化能力。

Categories:

沪ICP备13010850号

沪公网安备 31011202002768号