AI-多模态-2022：BLIP【统一理解和生成的多模态】

谁借莪１个温暖的怀抱￠ 2023-09-25 14:05 66阅读 0赞

论文：[https://arxiv.org/abs/2201.12086][https_arxiv.org_abs_2201.12086]

代码：[GitHub - salesforce/BLIP: PyTorch code for BLIP: Bootstrapping Language-Image Pre-training for Unified Vision-Language Understanding and Generation][GitHub - salesforce_BLIP_ PyTorch code for BLIP_ Bootstrapping Language-Image Pre-training for Unified Vision-Language Understanding and Generation]

demo：[BLIP - a Hugging Face Space by akhaliq][]

![93dffa66c4874749b4339f15b6e1e450.png][]

#### motivation： ####

1.  从模型角度来看，大多数方法要么采用基于编码器的模型，要么采用编码器-解码器模型。编码器的模型不太容易直接迁移到文本生成的任务中，如图像标题（image captioning）等；编码器-解码器模型还没有被成功用于图像-文本检索任务。
2.  从数据角度来看，大多数sota的方法，如CLIP都是对从网上收集的图像-文本对（image-text pair）进行预训练。尽管可以通过扩大[数据集][Link 1]的规模来获得性能上的提高，但研究结果显示，有噪声的网络文本对于视觉语言学习来说只能得到次优的结果。

#### 模型结构 ####

![3b40182b5c304fc39bde2d0274fa2e6a.png][]

为了预训练一个具有理解和生成能力的统一模型，论文提出了多模态混合编码器-解码器（Multimodal mixture of Encoder-Decoder，MED），通过一个“模型”处理多个子任务。

1.  单模态编码器（Unimodal encoder），对图像和文本分别进行编码。文本编码器（text encoder）与BERT相同，在文本输入的开头附加一个\[CLS\]标记，以总结句子。
2.  以图像为基础的文本编码器（Image-grounded text encoder），通过在自注意力（SA）层和前馈网络（FFN）之间为文本编码器的每个Transformer块插入一个额外的交叉注意力（CA）层来注入视觉信息。一个特定任务的\[Encode\]标记被附加到文本上，\[Encode\]的输出embedding被用作图像-文本对的多模态表示。
3.  以图像为基础的文本解码器（Image-grounded text decoder），用因果自注意力层（causal self-attention layer）替代编码器中的双向自注意力层。用\[Decode\]标记来表示一个序列的开始。

模型1和模型2是同一个模型2，当模型1预测时不用crossattention

训练目标主要有三个：

1.  图像-文本对比损失（Image-Text Contrastive Loss, ITC）激活单模态编码器，目的是通过促进正向的图像-文本对与负向的图像-文本对有相似的表示，来对齐ViT和text Transformer的特征空间。
    
    1.  学习MoCo思想，引入momentum encoder和Queue扩大对比学习的batch大小，base encoder用于梯度更新产生新的embedding，momentum encoder根据以下公式更新，k表示momentum encoder参数，q表示base encoder参数，主要为了提升embedding的一致性，维持[队列][Link 2]大小，将最新的embedding入队列，弹出队列头embedding。
        
        ![f1fc8a97880d4b22a083c82c5e1a9489.png][]
2.  图像-文本匹配损失（Image-Text Matching Loss, ITM）激活以图像为基础的文本编码器。它的目的是学习图像-文本的多模态表示以捕捉视觉和语言之间的细粒度对齐。ITM是一个二元分类任务，模型根据多模态特征使用一个ITM头（一个线性层）来预测一个图像-文本对是positive（匹配的）还是negative（不匹配的）。输入数据的pair对为正例，根据任务1的相似度采用多项式采样补充每个text/image的最佳负例增强训练。
3.  语言建模损失（Language Modeling Loss, LM）激活了以图像为基础的文本解码器，其目的是生成给定图像的文本描述。它优化了交叉熵损失，训练模型以自回归的方式最大化文本的概率。

####  ####

#### 数据增强 ####

![ddfe9960233445589ec0e6e017fd6b7d.png][]

论文采用标题和过滤策略（Captioning and Filtering, CapFilt）来提高文本语料库的质量，包含了两个模块：一个是给定网络图像生成字幕的Captioner，另一个是去除噪声图像-文本对的Filter。

Captioner和Filter都是从同一个预训练的MED模型初始化的，在COCO数据集上单独进行微调。Captioner以LM为目标进行微调，对给定的图像进行文本解码生成caption；Filter以ITC和ITM的目标进行微调，以学习文本是否与图像匹配，该Filter去除原始网络文本和合成文本中的噪音文本，如果ITM头预测一个文本与图像不匹配，则该文本被认为是噪音。

最后，论文将过滤后的图像-文本对与人工标注的文本对结合起来，形成一个新的数据集用它来预训练一个新模型。

![3797ecaa788446349f875543a029fc21.png][]

![9762500f1a8847f4a80d34eaceae7f8e.png][]

####  ####

#### 实验结果 ####

![139f3b7bb74649fa8862a99dc803d885.png][]

![4c161e2714484e9498c5d93c632cf976.png][]

![b8fc872f58da460dac8ec9aa5d8c45b9.png][]

text encoder和text decoder 共享除了SA layers的参数，encoder参数指向decoder参数。

[\[BLIP\]-多模态Language-Image预训练模型\_will-wil的博客-CSDN博客\_多模态预训练模型][BLIP_-_Language-Image_will-wil_-CSDN]

[统一理解和生成的多模态模型 BLIP - 知乎][BLIP -]

[研究者统一“视觉-语言”理解与生成：一键生成图像标注，完成视觉问答][-]

[https_arxiv.org_abs_2201.12086]: https://arxiv.org/pdf/2201.12086.pdf
[GitHub - salesforce_BLIP_ PyTorch code for BLIP_ Bootstrapping Language-Image Pre-training for Unified Vision-Language Understanding and Generation]: https://github.com/salesforce/BLIP
[BLIP - a Hugging Face Space by akhaliq]: https://huggingface.co/spaces/akhaliq/BLIP
[93dffa66c4874749b4339f15b6e1e450.png]: https://img-blog.csdnimg.cn/93dffa66c4874749b4339f15b6e1e450.png
[Link 1]: https://so.csdn.net/so/search?q=%E6%95%B0%E6%8D%AE%E9%9B%86&spm=1001.2101.3001.7020
[3b40182b5c304fc39bde2d0274fa2e6a.png]: https://img-blog.csdnimg.cn/3b40182b5c304fc39bde2d0274fa2e6a.png
[Link 2]: https://so.csdn.net/so/search?q=%E9%98%9F%E5%88%97&spm=1001.2101.3001.7020
[f1fc8a97880d4b22a083c82c5e1a9489.png]: https://img-blog.csdnimg.cn/f1fc8a97880d4b22a083c82c5e1a9489.png
[ddfe9960233445589ec0e6e017fd6b7d.png]: https://img-blog.csdnimg.cn/ddfe9960233445589ec0e6e017fd6b7d.png
[3797ecaa788446349f875543a029fc21.png]: https://img-blog.csdnimg.cn/3797ecaa788446349f875543a029fc21.png
[9762500f1a8847f4a80d34eaceae7f8e.png]: https://img-blog.csdnimg.cn/9762500f1a8847f4a80d34eaceae7f8e.png
[139f3b7bb74649fa8862a99dc803d885.png]: https://img-blog.csdnimg.cn/139f3b7bb74649fa8862a99dc803d885.png
[4c161e2714484e9498c5d93c632cf976.png]: https://img-blog.csdnimg.cn/4c161e2714484e9498c5d93c632cf976.png
[b8fc872f58da460dac8ec9aa5d8c45b9.png]: https://img-blog.csdnimg.cn/b8fc872f58da460dac8ec9aa5d8c45b9.png
[BLIP_-_Language-Image_will-wil_-CSDN]: https://blog.csdn.net/yangyanbao8389/article/details/127918428
[BLIP -]: https://zhuanlan.zhihu.com/p/521260597
[-]: https://m.thepaper.cn/baijiahao_16589539