興坤 發自 凹非寺
量子位 報道 | 公眾號 QbitAI

谷歌新推出了弱監督看圖說話模型SimVLM，能夠輕松實現零樣本學習（zero-shot）任務遷移。

從文字描述圖像到回答圖片相關問題，模型無需微調也能樣樣精通。

對于一般的視覺語言預訓練（VLP）模型，訓練數據集中要求包含大量精準標簽。而模型的任務遷移，則需要針對特定任務重新進行數據集的標簽標注。

總結下來，就是標注數據集不僅耗時耗力，還不能多任務通用。

能不能開發出一種又簡單又萬能的VLP模型呢？

谷歌新開發的這款模型使用了弱監督學習進行模型訓練，通過利用大量的弱對齊圖像-文本對進行建模，簡化了VLP的訓練流程，大大降低了訓練的復雜性。

SimVLM使用前綴語言建模的單一目標進行端到端訓練，并直接將原始圖像作為輸入。這些設置允許模型對大規模的弱標記數據集進行利用，從而能夠更好地實現零樣本學習泛化效果。

SimVLM模型是如何實現的？

SimVLM模型的預訓練過程采用了前綴語言建模(PrefixLM)的單一目標，接受序列的前綴作為輸入，通過模型解碼器來預測其延續的內容。

對于數據集中的圖像-文本對，圖像序列可視作其文本描述的前綴。

這種方法可以簡化訓練過程，最大限度地提高模型在適應不同任務設置方面的靈活性和通用性。

模型的主干網絡，則使用了在語言和視覺任務上均表現突出的Transformer架構。

對輸入的原始圖像數據提取上下文patch，這里采用了ResNet卷積網絡。

如上圖所示：視覺模態中，圖片被分割成多個patch，然后壓縮為一維序列。文本模態語句則被映射到了一個表征向量中。

本模型使用了包含大約1.8B噪聲的圖像-文本對ALIGN訓練集進行預訓練，以此來實現更好的零樣本學習泛化能力。

為了補償訓練集中的噪聲影響，訓練模型另外還使用了共800G的Colossal Clean Crawled Corpus (C4)數據集。

SimVLM模型基礎性能如何？

模型的預訓練完成后，需要在多模式任務中對模型進行微調，以測試性能。

這里用到的多模式任務有：VQA、NLVR2、SNLI-VE、COCO Caption、NoCaps和Multi30K En-De。

將SimVLM模型與現有的功能完善的模型進行比較，測試結果如上表所示，參與評估的SimVLM模型還包括了三種不同規模：8600萬參數、3.07億參數和6.32億參數。

跨模式任務的測試結果中，SimVLM模型的性能表現最好（數據越大越好），除了CoCo Caption的B@4指標，在其他任務上都取得了新的SOTA結果，充分證明了該模型的先進性。

SimVLM模型零樣本泛化

SimVLM模型在跨模式任務測試中可以取得不錯的性能表現，那么它能否順利執行零樣本跨模態轉移呢？

預訓練的SimVLM模型僅對文本數據進行微調或完全不進行微調，通過圖像字幕、多語言字幕、開放式VQA和視覺文本生成等任務，對模型進行測試。

測試結果如下圖所示：

給定圖像和文本提示，預訓練模型無需微調即可預測圖像的內容。

除此之外，未進行過微調的模型在德語字幕生成、數據集外的答案生成、基于圖像內容的文字描述、開放式視覺問題回答等應用上均有不錯的表現。

為了量化SimVLM的零樣本學習性能，這里采用了預訓練的固化模型在COCO Caption和NoCaps上進行解碼，然后與監督標準基線（Sup.）進行比較。

從結果對比上來看，即使沒有監督微調，SimVLM也可以達到有監督的訓練質量水平。

作者介紹

本研究的第一作者是谷歌學生研究員王子瑞，現就讀于卡內基梅隆大學，曾以第一作者身份在ICLR、EMNLP、CVPR等頂會上發表了多篇論文。

截止到2020年12月20日，他在SuperGLUE數據集上獲得了第一個超過人類得分的SOTA性能（分數超過90），目前則被百度團隊趕超，位居第二。

這一次開發的SimVLM也在6個視覺語言基準測試中達到了單模型SOTA性能，并實現了基于文本引導的零樣本學習泛化能力。

參考鏈接：
https://arxiv.org/abs/2108.10904
https://ai.googleblog.com/2021/10/simvlm-simple-visual-language-model-pre.html
http://www.cs.cmu.edu/~ziruiw/

— 完 —

量子位 QbitAI · 頭條號簽約

關注我們，第一時間獲知前沿科技動態