多模态论文串讲：ALBEF & VLMo & BLIP & CoCa & Beit V3

前言

朱毅老师的b站讲解-多模态论文串讲

• 图文多模态任务的经验：（1）iamge encoder的能力要比text encoder更大才可以；（2）模态融合的部分也要大；（3）对比学习，masked language model，image text matching loss都被证明是有正向效果的。
• 文图下游任务：
  • Visual Question Answering (VQA)：输入是一张图片及一个问题（用文本描述），输出是一组答案集合中的一个答案，即可以把他当成一个分类任务；
  • Visual Reasoning（VR）：输入是一句文本描述以及两张图片，输出是这个文本描述是否正确。同样是以acc作为metric，是一个二分类任务；
  • Visual Entailment（VR，视觉蕴含）：是从文本蕴含（一个文本作为前提，另一个文本作为假设，判断根据前提是否能推理出假设）到多模态一个新生的任务；视觉蕴含中的前提是图片，是一个三分类任务，判别结果为【是，中性，否】三类；
  • Image Caption：根据一张图片生成对应的字幕；
    
    其他的新工作：
• language interface:metaLM，Pali
• generalist model: Unified IO, UniPerceiver系列

ALBEF:Align before Fuse: Vision and Language Representation Learning with Momentum Distillation(2021-10)

作者提出的两个改进工作：（1）在fusing之前，计算image和text的相似度，做align；（2）引入momentum distill，降低带噪数据在训练集中的干扰。本工作基于40w图片文本对开源数据集训练，8卡*4days。

• 借鉴之前的经验：visual encoder是12FFT，text encoder是6FFT, fusion encoder也是6*FFT；IMT，MLM，ITM三个loss都被保留；

• 实现细节：

  • image text matching loss(ITM Loss)：经由fc layer，实际上是一个二分类loss，判断一个【text，image】是不是一对数据，但实际训练中，会有大量的分类结果为否的情况，使得ITM Loss看起来很低，但实际并不一定起到足够的效果。因此，从ITC对比学习计算的cosine distance中选择和真实样本距离最近的（最难分辨的，称之为hard negatives)，用于ITM loss训练；
  • momentum distill
    • 问题：爬虫的图片，大部分只有hash tag的关键词，并不是一句话描述，one-hot label不利于对比学习训练；其次，MLM在填空时，合适且正确的词选并不只有一个，one hot label也会影响MLM loss；
    • 解决方法：模型不仅缩小真实样本对的距离， 还通过额外的momentum model生成伪标签，缩小image和伪标签的距离。（EMA算法）

• 损失函数：2个IT，2个MLM，1个ITM
  
  

• 消融实验的对比结果：hard negative用在ITM loss上改善很明显；数据量加大，momentum distill的作用开始凸显。

VLMO: Unified Vision-Language Pre-Training with Mixture-of-Modality-Experts(2021-11)

• microsoft
• code and pretrained-model
• Hangbo Bao,Wenhui Wang,Furu Wei
• 改团队基于本工作的后续工作：WaveLM，MetaLM，BEiT V1/V2/V3

related

• 当前常用的结构：
  • 双塔网络：image encoder和text encoder ，分别编码；优点在于inference的时候可以将可用的embedding提前计算好，另外一路image or text直接通过矩阵乘计算cosine similarity，很快速的完成检索；缺点在于模态融合的部分是shallow mix，对于复杂任务（比如VR/VE/VQA）表现不好；
  • 单塔fusion encoder：使用单个encoder处理image和text，使得两个模态得到充分的融合；缺点：在处理检索问题的时候比较复杂，耗时高。
  • 是否能够将两种结构的优点结合一下。本文的idea
    • 结构改进：先使用共享的fusion module，使得不同的模态充分的融合，再对不同的模态使用单独的专家网络（FFN），在下游任务时保证了高效性；
    • 预训练过程分阶段：因为【image，text】的数据比较稀缺，利用大量的单模态数据对网络参数进行预训练，然后再利用【image，text】数据进行训练。

method

• 如上图所示，multi-head attention是fusion module，文本/图像/文本-图像分别是三个单独的专家网络；根据不同的输入，选择不同的专家网络计算损失函数，也是一个iter需要多次forward，不同的输入计算不同的loss；
• 分阶段预训练：参考下图，先基于image数据；再基于text数据，值得注意的是，text-only训练的时候，slf-attn的参数是共享image的，不做更新；最后基于【image，text】数据训练。
  

BLIP：Bootstrapping Language-Image Pre-training for Unified Vision-Language Understanding and Generation

• 问题
  • encoder-only的结构不能用于生成任务；encoder-decoder的结构不利于检索任务，是否有统一的框架；
  • 训练的数据集是网上爬取的，存在很多噪声，影响训练的结果，使用预训练的模型对数据进行清洗

• 如上图所示，BLIP结构借鉴了VLMo共享权重的思路，一个image encoder，针对不同的任务训练不同的text encoder和image-grounded text decoder。相同颜色的模块表示共享一组权重。image-grounded text decoder因为是生成任务，所以使用的是单独训练的causal self-att，mask掉后边的信息。
• ITC Loss,ITM loss，LM Loss，因此模型一个iter要走三次前向计算不同的loss

filter-caption数据清洗

• 首先用noisy 数据+coco人工标注数据，训练BLIP对训练集重新生成caption，然后进行筛选【Iw，Tw】/【Iw, Ts】cosine similarity；
• 再次用筛选后的数据，包含（noisy，人工标注，生成数据），对decoder进行训练。
• caption生成的内容具有多样性，更有利于大模型（见更多分布的数据）

• 实验结果以及展示的case都证明了filter+caption方式的有效性。这是一种可以推广到所有同类任务的训练策略。

CoCa： Contrastive Captioners are Image-Text Foundation Models

• google research

• 使用了非常大的数据集和模型参数量；没有开源代码实现
  

• 一个image encoder，两个text decoder；

• 只有ITC loss和captioning loss，因此一个iter只需要进行一次前向，训练速度大大加快。

• 六边形战士图：和其他的模型在不同的任务对比，和当前各个子任务的sota对比，结果也都是更好的。
• 这个图非常直观，是当前多模态领域论文的很好表现形式，自己的工作总结也可以尝试借鉴。

BeiT V3–Image as a Foreign Language: BEIT Pretraining for All Vision and Vision-Language Tasks

• microsoft

• Wenhui Wang, Hangbo Bao,

• motiovation：想要做一个大一统的模型，不仅能够处理不同的模态数据，更能用于各种下游任务。从结构，目标函数上实现一统，并且可以scale up到不同的模型尺寸以及数据量上。

• 模型结构：VLMo结构的模型，multi-way transformer，因为transformer结构可以在各个模态的数据上都表现很好；
• 目标函数：仅使用masked modeling的方式，将图片也看作是language，可以基于【image language】 or 【text language】 or 【image-text pair(parallel sentences) 】，使用语言模型训练的方法