VilBERT 和 LXMERT 网络结构都是句子和图像的两个单模态的网络，然后使用一个跨模态的 Transformer 融合信息。
VisualBert , B2T2, Unicoder-VL，VL-BERT，Unified VLP，UNITER的网络结构都大致相同，不同在于预训练数据集和任务不同。
IMAGEBERT: CROSS-MODAL PRE-TRAINING WITH LARGE-SCALE WEAK-SUPERVISED IMAGE-TEXT DATA
预训练任务：Masked Language Modeling ( MLM ), Masked Object Classification ( MOC ), Masked Region Feature Regression ( MRFR ), Image Text Matching ( ITM )
预训练数据集：Large-scale weAk-supervised Image-Text ( LAIT )，Conceptual Captions ( CC )，
Embedding Modeling
Linguistic embedding
输入的句子使用 WordPiece 方法被标记为 n 个子词，每个子词 token 的最终嵌入是通过组合其原始词嵌入 (original word embedding) ，片段嵌入 (segment embedding) 和序列位置嵌入 (sequence position embedding) 生成的。
Image embedding
通过 Faster RCNN 提取 RoIs，检测到的目标不仅可以为语言部分提供整个图像的视觉环境，还可以通过详细的区域信息与特定术语相关。在 image embedding 中加入 position embedding ( 对目标的相对位置编码[左上角坐标，右下角坐标，与整张图像的面积比例 )。使用 linguistic embedding 把目标特征和location embedding 映射到相同的维度，最终的表示是 object embedding + segment embedding + image position embedding + sequence position embedding 。
Sequence position and segment embedding
Sequence position embedding 用来表示输入 tokens 中的每一个 token 的顺序。对于视觉 token 使用固定的假的位置，但是在 image embedding 中加入了目标的坐标。segment embedding 是用来区分每个输入 token 的不同模态。
Pre-training tasks
Task1: Masked Language Modeling ( MLM )
将被预测的输入 token 以15％的概率随机屏蔽。被掩码的 token 替换为特殊 token [MASK]，随机 token 或保持不变的概率分别为80％，10％和10％。使用 负log 损失
Task2: Masked Object Classification ( MOC )
以 15% 的概率随机屏蔽目标 token，置 0 或者 保持不变的概率为 90%,10% 。使用交叉熵损失。
Task3: Masked Region Feature Regression ( MRFR )
屏蔽掉视觉内容。使每个被屏蔽掉的目标的嵌入特征退化。在顶端加入全连接层映射到与 RoI 目标特征相同的维度。使用 L2 损失
Task4: Image-Text Matching ( ITM )
学习图像文本对齐。给每一个图像分配负样本句子，或者给每一个句子分配负样本图像，生成负样本训练数据。对每一对图像文本对都有 {0, 1} 的标签，表明输入的样本对是否相关。在第一个 token 加入 [CLS] 来学习，在顶端加如全连接获得相似度分数。二分类损失
Fine-tuning tasks
两个 fine-tuning 目标对应与不同的负样本方法：image-to-text ( 每张图像的负样本句子 ) 和 text-to-image ( 每个句子的负样本图像 )
Binary classification Loss
保证负样本的预测是正确的：负样本的输出分数不仅是和正样本不同的，而且应该预测出正确的标签。
Multi-class Classification Loss
扩大正负样本之间的间距
Triplet Loss
最大化正样本与硬负样本之间的间距
训练方式：
先在 LAIT 数据集上预训练，在公共数据集 （ CC + SBU） 上训练，最后在现有任务上 finetune，使用 binary classification loss 达到最好的性能
LXMERT: Learning Cross-Modality Encoder Representations from Transformers
三个编码：目标关系编码器 ( object relationship encoder ) ，语言编码器( language encoder )，跨模态编码器 ( cross-modality encoder )
五个预训练任务：masked language modeling, masked object prediction (feature regression and label classification), cross-modality matching, and image question answering
预训练数据集：在 COCO Caption，VG Caption，VQA，GQA，VG-QA五个数据集上预训练（6.5M image，100M words）
Input Embeddings
Word-Level Sentence Embeddings
使用 WordPiece 方法对句子编码，把单词和位置映射为向量，然后相加
Object-Level Image Embeddings
RoI 特征和位置特征分别使用全连接层学习，然后相加
Encoders
self-attention layers and cross-attention layers
Single-Modality Encoders
Cross-Modality Encoder
cross-attention 是用来交换两个模态之间的信息并且对齐实体。
Output Representations
三个输出：language, vision, and cross-modality
ViLBERT: Pretraining Task-Agnostic Visiolinguistic Representations for Vision-and-Language Tasks
Paper : http://arxiv.org/abs/1908.02265v1
Code : https://github.com/facebookresearch/vilbert-multi-task
co-attentional transformer layers
预训练数据：Conceptual Captions ( 3.3M 图片 )
预训练任务：masked multi-modal modeling and multi-modal alignment prediction
TRM ( Transformer block ), co-attention transformer layers ( Co-TRM )
Unicoder-VL: A Universal Encoder for Vision and Language by Cross-Modal Pre-Training
三个预训练任务：Masked Language Modeling ( MLM ), Masked Object Classification ( MOC ) and Visual-linguistic Matching ( VLM [ 相当于ImageBERT的 ITM ])
Linguistic Embedding 和 Image Embedding 与 ImageBERT 相同
预训练数据：3.8M image-caption pairs ( 3M Conceptual Captions and 0.8M SBU Captions)
Image-Text Retrieval
数据： MSCOCO，Flickr30K
使用 triplet loss
Visual Commonsense Reasoning
数据：VCR
VISUALBERT: A SIMPLE AND PERFORMANT BASELINE FOR VISION AND LANGUAGE
预训练数据集：COCO image caption dataset
两个预训练任务 : Masked language modeling with the image , Sentence-image prediction
四个测试任务：VQA，VCR，NLVR，Flickr30K
VL-BERT: PRE-TRAINING OF GENERIC VISUALLINGUISTIC REPRESENTATIONS
预训练数据：Conceptual Captions dataset ( visual-linguistic ) and BookCorpus & English Wikipedia ( text-only )
- 句子和图像的关系的预训练没有帮助，所以没有这部分的预训练
- 在 visual-linguistic and text-only 数据集上预训练，可以提高长且复杂句子的通用性。
- 提高了视觉表示的调整。为了避免在预训练 Masked RoI Classification with Linguistic Clues 任务时，视觉线索泄露，所以输入图像上做 mask，而不是在输出的特征图上做 mask
在文字输入上也加入了视觉特征，这部分是整张图像的视觉特征。而对于图像区域部分是相对应区域的视觉特征。
