0
| 本文作者： 蔣寶尚 | 2020-02-03 17:51 |
雷鋒網(wǎng)導(dǎo)語：本文作者提出了一種新的視覺語言預(yù)訓(xùn)練模型ImageBERT，該模型基于Transformer架構(gòu)，并對視覺-語言聯(lián)合嵌入進(jìn)行建模。更為重要的是，作者還從網(wǎng)絡(luò)上收集了一千萬規(guī)模的弱監(jiān)督圖像-文本數(shù)據(jù)集LAIT，這也是當(dāng)前所有視覺-語言數(shù)據(jù)集中最大的數(shù)據(jù)集。在這個數(shù)據(jù)集的加持下，ImageBERT 模型在MSCOCO和Flickr30k的圖像-文本檢索任務(wù)上獲得不錯的結(jié)果。
繼 2018 年谷歌的 BERT 模型獲得巨大成功之后，在純文本之外的任務(wù)上也有越來越多的研究人員借鑒了 BERT 的思維，開發(fā)出各種語音、視覺、視頻融合的 BERT 模型。
雷鋒網(wǎng) AI 科技評論曾專門整理并介紹了多篇將BERT應(yīng)用到視覺/視頻領(lǐng)域的重要論文，其中包括最早的VideoBERT以及隨后的ViLBERT、VisualBERT、B2T2、Unicoder-VL、LXMERT、VL-BERT等。其中VL-BERT是由來自中科大、微軟亞研院的研究者共同提出的一種新型通用視覺-語言預(yù)訓(xùn)練模型。繼語言BERT之后，視覺BERT隱隱成為一種新的研究趨勢。
近期，來自微軟的Bing 多媒體團(tuán)隊(duì)在arXiv上也同樣發(fā)表了一篇將BERT應(yīng)用到視覺中的論文《ImageBERT: Cross-modal Pre-training with Large-scale Weak-supervised Image-Text Data》
雷鋒網(wǎng)提供論文鏈接：https://arxiv.org/abs/2001.07966v1
在這篇文章中，作者提出了一種新的視覺語言預(yù)訓(xùn)練模型ImageBERT，并從網(wǎng)絡(luò)上收集了一個大型的弱監(jiān)督圖像-文本數(shù)據(jù)集LAIT，包含了 10M（1千萬）的 Text-Image pairs，這也是目前最大的一個數(shù)據(jù)集。利用ImageBERT模型和LAIT數(shù)據(jù)集進(jìn)行預(yù)訓(xùn)練，在MSCOCO和Flicker30k上進(jìn)行文本到圖像、圖像到文本的檢索任務(wù)上獲得了不錯的結(jié)果。
隨著Transformer的提出并廣泛應(yīng)用于跨模態(tài)研究，近一年以來，各項(xiàng)任務(wù)上獲得的結(jié)果被推向了一個新的“珠穆朗瑪峰”。雖然幾乎所有最新的工作都是基于Transformer，但這些工作在不同的方面各有不同。
模型架構(gòu)的維度：
BERT是面向輸入為一個或兩個句子的 NLP 任務(wù)的預(yù)訓(xùn)練模型。為了將 BERT 架構(gòu)應(yīng)用于跨模態(tài)任務(wù)中，現(xiàn)在已有諸多處理不同模態(tài)的方法。ViLBERT和LXMERT 先分別應(yīng)用一個單模態(tài)Transformer到圖像和句子上，之后再采用跨模態(tài)Transformer來結(jié)合這兩種模態(tài)。其他工作如VisualBERT， B2T2，Unicoder-VL， VL-BERT， Unified VLP，UNITER等等，則都是將圖像和句子串聯(lián)為Transformer的單個輸入。很難說哪個模型架構(gòu)更好，因?yàn)槟Ｐ偷男阅芊浅Ｒ蕾囉谥付ǖ膱鼍啊?/p>
圖像視覺標(biāo)記維度：
最近幾乎所有的相關(guān)論文都將目標(biāo)檢測模型應(yīng)用到圖像當(dāng)中，同時將經(jīng)檢測的感興趣區(qū)(ROIs) 用作圖像描述符，就如語言標(biāo)記一般。與使用預(yù)訓(xùn)練的檢測模型的其他工作不同，VL-BERT 結(jié)合了圖像-文本聯(lián)合嵌入網(wǎng)絡(luò)來共同訓(xùn)練檢測網(wǎng)絡(luò)，同時也將全局圖像特征添加到模型訓(xùn)練中。
可以發(fā)現(xiàn)，基于區(qū)域的圖像特征是非常好的圖像描述符，它們形成了一系列可直接輸入到 Transformer 中的視覺標(biāo)記。
預(yù)訓(xùn)練數(shù)據(jù)維度：
與可以利用大量自然語言數(shù)據(jù)的預(yù)訓(xùn)練語言模型不同，視覺-語言任務(wù)需要高質(zhì)量的圖像描述，而這些圖像描述很難免費(fèi)獲得。Conceptual Captions 是最為廣泛應(yīng)用于圖像-文本預(yù)訓(xùn)練的數(shù)據(jù)，有 3 百萬個圖像描述，相對而言比其他的數(shù)據(jù)集都要大。UNITER 組合了四個數(shù)據(jù)集（Conceptual Captions，SBU Captions，Visual Genome， MSCOCO），形成了一個960萬的訓(xùn)練語料庫，并在多個圖像-文本跨模態(tài)任務(wù)上實(shí)現(xiàn)了最佳結(jié)果。LXMERT將一些VQA訓(xùn)練數(shù)據(jù)增添到預(yù)訓(xùn)練中，并且在VQA任務(wù)上也獲得了最佳結(jié)果。
我們可以發(fā)現(xiàn)，數(shù)據(jù)的質(zhì)量和大小對于模型訓(xùn)練而言至關(guān)重要，研究者們在設(shè)計新的模型時應(yīng)該對此給予更大的關(guān)注。
基于語言模型的BERT，可以使用無限的自然語言文本，例如BooksCorpus或Wikipedia；與之不同，跨模態(tài)的預(yù)訓(xùn)練需要大量且高質(zhì)量的vision-language對。
目前最新的跨模態(tài)預(yù)訓(xùn)練模型常用的兩個數(shù)據(jù)集分別是：
The Conceptual Captions (CC) dataset：包含了3百萬帶有描述的圖像，這些圖像是從網(wǎng)頁的Alt-text HTML屬性中獲取的；
SBU Captions：包含了1百萬用戶相關(guān)標(biāo)題的圖像。
但這些數(shù)據(jù)集仍然不夠大，不足以對具有數(shù)億參數(shù)的模型進(jìn)行預(yù)訓(xùn)練（特別是在將來可能還會有更大的模型）。
為此，作者設(shè)計了一種弱監(jiān)督的方法（如下圖所示），從Web上收集了一個大規(guī)模的圖像文本數(shù)據(jù)集。
弱監(jiān)督數(shù)據(jù)收集流程
先是從網(wǎng)絡(luò)上收集數(shù)億的網(wǎng)頁，從中清除掉所有非英語的部分，然后從中收集圖片的URLs，并利用HTML 標(biāo)記和DOM樹特征檢測出主要圖片（丟棄非主要圖片，因?yàn)樗鼈兛赡芘c網(wǎng)頁無關(guān)）。
隨后僅保留寬度和高度均大于300像素的圖片，并將一些色情或淫穢內(nèi)容的圖片以及一些非自然的圖片丟棄。
針對剩下的圖片，將HTML中用戶定義元數(shù)據(jù)（例如Alt、Title屬性、圖片周圍文本等）用作圖像的文本描述.
為了確保文字和圖片在語義上是相關(guān)的，作者利用少量image-text監(jiān)督數(shù)據(jù)，訓(xùn)練了一個弱image-text語義模型來預(yù)測<text, image>在語義上是否相關(guān)。用這個模型從十億規(guī)模的image-text 對中過濾掉相關(guān)性不高的數(shù)據(jù)，從而生成的數(shù)據(jù)集LAIT（Large-scale weAk-supervised Image-Text），其中包含了 一千萬張圖片，圖片描述的平均長度為13個字。
LAIT數(shù)據(jù)集中的樣本
如上圖所示，ImageBERT模型的總體架構(gòu)和BERT類似，都采用了Transformer作為最基礎(chǔ)的架構(gòu)。不同之處在于將圖像視覺的標(biāo)記和問題標(biāo)注作為輸入。注意其中圖像視覺標(biāo)記是從Faster-RCNN模型提取的ROL特征。
通過一層嵌入層將文本和圖像編碼成不同的嵌入，然后將嵌入傳送到多層雙自我注意Transformer中來學(xué)習(xí)一個跨模態(tài)Transformer，從而對視覺區(qū)域和文字標(biāo)記之間的關(guān)系進(jìn)行建模。
1）嵌入建模
整個嵌入建模分為三個部分：語言嵌入、圖像嵌入、序列位置和片段嵌入。
在語言嵌入模塊中采用了與BERT相似的詞預(yù)處理方法。具體而言，是用WordPiece方法將句子分成（標(biāo)記）n個子詞{w0,...,wn-1}。一些特殊的標(biāo)記，例如CLS和SEP也被增添到標(biāo)記的文本序列里。每個子詞標(biāo)記的最終嵌入是通過組合其原始單詞嵌入、分段嵌入和序列位置嵌入來生成的。
與語言嵌入類似，圖像嵌入也是通過類似的過程從視覺輸入中產(chǎn)生的。用Faster-RCNN從 o RoIs中提取特征（記為{r0,...ro-1}），從圖像中提取特征，從而讓這兩個特征代表視覺內(nèi)容。檢測到的物體對象不僅可以為語言部分提供整個圖像的視覺上下文（visual contexts），還可以通過詳細(xì)的區(qū)域信息與特定的術(shù)語相關(guān)聯(lián)。另外，還通過將對象相對于全局圖像的位置編碼成5維向量來向圖像嵌入添加位置嵌入。5維向量表示如下：
其中，(xtl,ytl)以及(xbr,ybr)分別代表邊界框的左上角和右下角坐標(biāo)。5維向量中的第五個分向量相對于整個圖像的比例面積。
另外，物體特征和位置嵌入都需要通過語言嵌入投影到同一維度。e(i)代表每個圖像的RoI。其計算通過加總對象嵌入、分段嵌入、圖像位置嵌入以及序列位置嵌入獲得。這意味著每個嵌入被投影到一個向量之中，然后用同樣的嵌入大小作為Transformer 隱藏層的尺寸，最后采用正則化層。
在序列位置和片段嵌入中，因?yàn)闆]有檢測到Rol的順序，所以其對所有的視覺標(biāo)記使用固定的虛擬位置，并且將相應(yīng)的坐標(biāo)添加到圖像嵌入中。
2）多階段預(yù)訓(xùn)練
不同的數(shù)據(jù)集來源不同，所以其數(shù)據(jù)集質(zhì)量也就不同。為了充分利用不同類型的數(shù)據(jù)集，作者提出了多階段預(yù)訓(xùn)練框架。如下圖所示。
其主要思想是先用大規(guī)模域外數(shù)據(jù)訓(xùn)練預(yù)先訓(xùn)練好的模型，然后再用小規(guī)模域內(nèi)數(shù)據(jù)訓(xùn)練。在多階段預(yù)訓(xùn)練中，為了有順序地利用不同種類的數(shù)據(jù)集，可以將幾個預(yù)訓(xùn)練階段應(yīng)用到相同的網(wǎng)絡(luò)結(jié)構(gòu)。
更為具體的，在ImageBERT模型中使用兩階段的預(yù)訓(xùn)練策略。第一個階段使用LAIT數(shù)據(jù)集，第二個階段使用其他公共數(shù)據(jù)集。注意，兩個階段應(yīng)使用相同的訓(xùn)練策略。
3）預(yù)訓(xùn)練任務(wù)
在模型預(yù)訓(xùn)練過程中，設(shè)計了四個任務(wù)來對語言信息和視覺內(nèi)容以及它們之間的交互進(jìn)行建模。四個任務(wù)分別為：掩碼語言建模（Masked Language Modeling）、掩碼對象分類（Masked Object Classification）、掩碼區(qū)域特征回歸（Masked Region Feature Regression）、圖文匹配（Image-Text Matching）。
掩碼語言建模簡稱MLM，在這個任務(wù)中的訓(xùn)練過程與BERT類似。并引入了負(fù)對數(shù)似然率來進(jìn)行預(yù)測，另外預(yù)測還基于文本標(biāo)記和視覺特征之間的交叉注意。
掩碼對象分類簡稱MOC，是掩碼語言建模的擴(kuò)展。與語言模型類似，其對視覺對象標(biāo)記進(jìn)行了掩碼建模。并以15%的概率對物體對象進(jìn)行掩碼，在標(biāo)記清零和保留的概率選擇上分別為90%和10%。另外，在此任務(wù)中，還增加了一個完全的連通層，采用了交叉熵最小化的優(yōu)化目標(biāo)，結(jié)合語言特征的上下文，引入負(fù)對數(shù)似然率來進(jìn)行預(yù)測正確的標(biāo)簽。
掩碼區(qū)域特征回歸簡稱MRFR，與掩碼對象分類類似，其也對視覺內(nèi)容建模，但它在對象特征預(yù)測方面做得更精確。顧名思義，該任務(wù)目的在于對每個掩碼對象的嵌入特征進(jìn)行回歸。在輸出特征向量上添加一個完全連通的圖層，并將其投影到與匯集的輸入RoI對象特征相同的維度，然后應(yīng)用L2損失函數(shù)來進(jìn)行回歸。
值得注意的是，上述三個任務(wù)都使用條件掩碼，這意味著當(dāng)輸入圖像和文本相關(guān)時，只計算所有掩碼損失。
在圖文匹配任務(wù)中，其主要目標(biāo)是學(xué)習(xí)圖文對齊（image-text alignment）。具體而言對于每個訓(xùn)練樣本對每個圖像隨機(jī)抽取負(fù)句（negative sentences），對每個句子隨機(jī)抽取負(fù)圖像（negative images），生成負(fù)訓(xùn)練數(shù)據(jù)。在這個任務(wù)中，其用二元分類損失進(jìn)行優(yōu)化。
4）微調(diào)任務(wù)
經(jīng)過預(yù)訓(xùn)練，可以得到一個“訓(xùn)練有素”的語言聯(lián)合表征模型，接下來需要對圖文檢索任務(wù)模型進(jìn)行微調(diào)和評估，因此本任務(wù)包含圖像檢索和文本檢索兩個子任務(wù)。圖像檢索目的是給定輸入字幕句能夠檢索正確的圖像，而圖像文本檢索正好相反。經(jīng)過兩個階段的預(yù)訓(xùn)練后，在MSCoCO和Flickr30k數(shù)據(jù)集上對模型進(jìn)行了微調(diào)，在微調(diào)過程中，輸入序列的格式與預(yù)訓(xùn)練時的格式相同，但對象或單詞上沒有任何掩碼。另外，針對不同的負(fù)采樣方法提出了兩個微調(diào)目標(biāo)：圖像到文本和文本到圖像。
為了使得提高模型效果，還對三種不同的損失函數(shù)進(jìn)行了實(shí)驗(yàn)，這三種損失函數(shù)分別為：二元分類損失、多任務(wù)分類損失、三元組損失（Triplet loss）。關(guān)于這三種微調(diào)損失的組合研究，實(shí)驗(yàn)部分將做介紹。
針對圖像-文本檢索任務(wù)，作者給出了零樣本結(jié)果來評估預(yù)訓(xùn)練模型的質(zhì)量和經(jīng)過進(jìn)一步微調(diào)后的結(jié)果。下面是在 MSCOCO 和Flickr30k 數(shù)據(jù)集的不同設(shè)置下，對ImageBERT模型和圖像檢測和文本檢索任務(wù)上其他最先進(jìn)的方法進(jìn)行的比較。
1）評估預(yù)訓(xùn)練模型
如前面所提到，模型經(jīng)過了兩次預(yù)訓(xùn)練。首先是在 LAIT 數(shù)據(jù)集上，采用從基于BERT 的模型初始化的參數(shù)對模型進(jìn)行了預(yù)訓(xùn)練；然后又在公開數(shù)據(jù)集（Conceptual Captions， SBU Captions）上對模型進(jìn)行二次預(yù)訓(xùn)練。具體過程和實(shí)驗(yàn)設(shè)置請參考論文。
在沒有微調(diào)的情況下，作者在Flickr30k和MSCOCO測試集上對預(yù)訓(xùn)練模型進(jìn)行了評估，如下：
零樣本結(jié)果如表 1 所示，我們可以發(fā)現(xiàn)，ImageBERT預(yù)訓(xùn)練模型在MSCOCO 獲得了新的最佳結(jié)果，但在Flickr30k數(shù)據(jù)集上卻比 UNITER模型的表現(xiàn)稍差。
在微調(diào)后，ImageBERT模型獲得了有競爭力的結(jié)果，相關(guān)情況在表2 部分進(jìn)行說明。值得一提的是，相比于其他僅有一個預(yù)訓(xùn)練階段的方法，這種多階段的預(yù)訓(xùn)練策略在預(yù)訓(xùn)練期間學(xué)到了更多有用的知識，因而能夠有助于下游任務(wù)的微調(diào)階段。
2）評估微調(diào)模型
在檢索任務(wù)上微調(diào)后的最終結(jié)果如表2 所示。我們可以看到，ImageBERT模型在Flickr30k 和 MSCOCO（同時在 1k和 5k的測試集）上都實(shí)現(xiàn)了最佳表現(xiàn)，并且超越了所有的其他方法，從而證明了本文所提的面向跨模態(tài)聯(lián)合學(xué)習(xí)的 LAIT 數(shù)據(jù)和多階段預(yù)訓(xùn)練策略的有效性。
3）消融實(shí)驗(yàn)
作者也在 Flickr3k 數(shù)據(jù)集上對預(yù)訓(xùn)練數(shù)據(jù)集的不同組合、全局視覺特征的顯示、不同的訓(xùn)練任務(wù)等進(jìn)行了消融實(shí)驗(yàn)，以進(jìn)一步研究ImageBERT模型的架構(gòu)和訓(xùn)練策略。
預(yù)訓(xùn)練數(shù)據(jù)集
作者使用不同數(shù)據(jù)集的組合來進(jìn)行預(yù)訓(xùn)練實(shí)驗(yàn)。結(jié)果如表3所示。CC表示的僅在 Conceptual Captions 數(shù)據(jù)集上進(jìn)行預(yù)訓(xùn)練；SBU 表示僅在 SBU Captions數(shù)據(jù)集上進(jìn)行預(yù)訓(xùn)練；LAIT+CC+SBU表示使用LAIT, Conceptual Caption 和 SBU Captions的組合數(shù)據(jù)集進(jìn)行預(yù)訓(xùn)練；LAIT → CC+SBU 表示使用 LAIT 來完成第一階段的預(yù)訓(xùn)練，之后使用 Conceptual Captions和SBU Captions 數(shù)據(jù)集來做第二階段的預(yù)訓(xùn)練。
可以看到，用多階段的方法來使用三種不同的域外數(shù)據(jù)集，獲得了比其他方法明顯更好的結(jié)果。
全局圖像特征
值得注意的是，檢測的ROIs可能并不包含整個圖像的所有信息。因此，作者也嘗試將全局圖像特征添加到視覺部分。文章使用了三個不同的CNN 模型（DenseNet，Resnet， GoogleNet）從輸入圖像上提取全局視覺特征，然而卻發(fā)現(xiàn)并非所有的指標(biāo)都會提高。結(jié)果如表4的第1部分所示。
預(yù)訓(xùn)練損失
作者也將由UNITER引起的MRFR損失添加到預(yù)訓(xùn)練中，結(jié)果在零樣本結(jié)果上獲得略微提高，結(jié)果如表4 的第2 部分所示。這意味著增加一個更難的任務(wù)來更好地對視覺內(nèi)容進(jìn)行建模，有助于視覺文本聯(lián)合學(xué)習(xí)。
圖像中的目標(biāo)數(shù)量 (RoIs)
為了理解ImageBERT模型的視覺部分的重要性，作者基于不同的目標(biāo)數(shù)量進(jìn)行了實(shí)驗(yàn)。如表4的第4部分所示，ImageBERT模型在目標(biāo)最少（目標(biāo)數(shù)量與ViLBERT一樣）的情況下，在檢索任務(wù)上并沒有獲得更好的結(jié)果。
可以得出結(jié)論，更多的目標(biāo)確實(shí)能夠幫助模型實(shí)現(xiàn)更好的結(jié)果，因?yàn)楦嗟?RoIs 有助于理解圖像內(nèi)容。
微調(diào)損失
針對在第4部分所提到的三項(xiàng)損失，作者嘗試在微調(diào)期間進(jìn)行不同的組合。如表4的第4 部分所示，模型通過使用二元交叉熵?fù)p失（Binary Cross-Entropy Loss），本身就能在圖像-文本檢索任務(wù)上獲得最佳的微調(diào)結(jié)果。
據(jù)AI科技評論了解，事實(shí)上ImageBERT模型與以前的視覺-語言模型（例如ViLBERT、VL-BERT、UNITER、LXMERT等）相比，模型本身區(qū)別并不是很大。 但值得重視的是他們收集的一個新的數(shù)據(jù)集，這個數(shù)據(jù)集在數(shù)量上是目前最大的vision-language數(shù)據(jù)集；另外他們進(jìn)行了兩步的預(yù)訓(xùn)練（首先是在LAIT進(jìn)行預(yù)訓(xùn)練，然后是在Conceptual Caption進(jìn)行預(yù)訓(xùn)練）。
這兩點(diǎn)使他們獲得了還不錯的性能。不過這篇文章僅對圖像檢索任務(wù)進(jìn)行了測試，而沒有進(jìn)行例如Captioning, VQA, VCR, grounding等視覺-語言任務(wù)的實(shí)驗(yàn)。 有趣的一點(diǎn)是，這篇文章在一定程度上表明了，預(yù)訓(xùn)練中數(shù)據(jù)集的順序?qū)π阅苡泻艽蟮挠绊憽?/p>
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
