2022预计要火的视觉语言理解和生成：一键生成图像标注，视觉问答，代码开源，官方 Demo 可玩

墨理学AI
1,376 阅读4分钟

「这是我参与2022首次更文挑战的第22天，活动详情查看：2022首次更文挑战」

  • 🎉 声明: 作为全网 AI 领域 干货最多的博主之一，❤️ 不负光阴不负卿 ❤️

    • 1-0

    • 🍊 各位读者小伙伴、元宵节快乐
    • 📆 最近更新：2022年2月12日
    • 🍊 本文为大家分享一项好玩的，预计2022会火的视觉语言理解和生成任务
    • 🍊 AI 之路、道阻且长、感谢无数前辈巨佬的倾情奉献

    📕 一键生成图像标注，视觉问答，官方 Demo 可玩

    论文基础信息如下

    📕 官方 Demo 试玩效果

    视觉语言理解和生成、操作三部曲如下

    1. 上传心仪图像
    2. 点击下方的提交按钮
    3. 等待几秒，右侧即可生成对应的：图像内容描述

    1-1

    引导式：智能问答

    1-3

    不懂就问：我要是上传一张自己的图像，它会不会直接猜到我心里在想什么

    1-4

    论文中的一些官方示例，红色是问题，绿色是回答，人工智能 YYDS 了

    1-2

    📕 网络结构

    多个编码器-解码器

    2-1

    模型架构

    研究者将一个视觉 transformer 用作图像编码器，该编码器将输入图像分解为 patch，然后将这些 patch 编码为序列嵌入，并使用一个额外的[CLS] token 表征全局图像特征。相较于将预训练目标检测器用于视觉特征提取的方法，使用 ViT 在计算上更友好，并且已被最近很多方法所采用。

    为了预训练一个具备理解和生成能力的统一模型，研究者提出了多任务模型 MED（mixture of encoder-decoder），它可以执行以下三种功能的任意一种：

    • 单峰编码器
    • 基于图像的文本编码器
    • 基于图像的文本解码器

    预训练目标

    研究者在预训练过程中共同优化了三个目标，分别是两个基于理解的目标和一个基于生成的目标。每个图像文本对只需要一个前向传播通过计算更重（computational-heavier）的视觉 transformer，需要三个前向传播通过文本 transformer，其中激活不同的功能以计算以下 3 个损失，分别是：

    • 图像文本对比损失（image-text contrastive loss, ITC），激活单峰编码器，旨在通过鼓励正图像文本对（而非负对）具有相似的表征来对齐视觉与文本 transformer 的特征空间；

    • 图像文本匹配损失（image-text matching loss, ITM），激活基于图像的文本编码器，旨在学习捕获视觉与语言之间细粒度对齐的图像文本多模态表征；

    • 语言建模损失（language modeling loss, LM），激活基于图像的文本解码器，旨在给定一张图像时生成文本描述。

    为了在利用多任务学习的同时实现高效的预训练，文本编码器和解码器必须共享除自注意力（self-attention, SA）层之外的所有参数。具体地，编码器使用双向自注意力为当前输入 token 构建表征，同时解码器使用因果自注意力预测接下来的 token。

    另外，嵌入层、交叉注意力（cross attention, CA）层和 FFN 在编码和解码任务之间功能类似，因此共享这些层可以提升训练效率并能从多任务学习中获益。

    📕 实验：数据集指标PK

    实验结果

    研究者在 PyTorch 中实现模型，并在两个 16-GPU 节点上预训练模型。其中，图像 transformer 源于在 ImageNet 上预训练的 ViT，文本 transformer 源于 BERT_base。

    2-2

    这个论文的工作感觉还是相当有意思，大家有兴趣，可下载原文进行详细研究，传送门地址如下

    📙 预祝各位 前途似锦、可摘星辰

  • 🎉 作为全网 AI 领域 干货最多的博主之一，❤️ 不负光阴不负卿 ❤️
  • ❤️ 过去的每一天、想必你也都有努力、祝你披荆斩棘、未来可期

    • 9-9

    avatar
    文章
    阅读
    粉丝