【论文极速读】ERNIE VIL 2.0，多模态模型的一种多视角预训练范式

前言

ERNIE VIL 2.0提出了多视角预训练范式，可以充分地利用图文数据中的各类型文本数据，加速模型预训练，提高跨模态模型的表征能力，本文进行论文读后笔记。如有谬误请联系指出，本文遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明并且联系笔者，谢谢 。

$\nabla$ 联系方式：

e-mail: FesianXu@gmail.com

github: https://github.com/FesianXu

知乎专栏: 计算机视觉/计算机图形理论与应用

公众号：机器学习杂货铺3号店

在ERNIE VIL 1.0[2,3]中，作者通过扩展Mask Language Model到多模态模型上，实现多模态模型的建模。其数据采用的是<Image, Caption>的数据对，如Fig 1.所示。 通常caption是对图片的视觉描述，可以由人工标注而来，也可以像Conceptual Captions(CC)和SBU Captions(SBU)数据集一样，从互联网数据中自动挖掘得到。模型采用的单塔双流交互模型，如Fig 2.所示。

ERNIE VIL 1.0采用单塔交互模型意味着无法采用类似于CLIP[4,5]的方式，通过扩大batch size的方式进行大规模对比学习，以提高表征能力。而且只采用了caption信息进行预训练，不免浪费了互联网图片中丰富的文本信息。如Fig 3.所示，网页中的图片附带有着众多不同类型的文本信息可供使用，如图片的标题，图片的类别信息（可以是用户自选的），图片对应的上下文信息等，这些文本信息或多或少都与图片有所关联，在预训练中或多或少能提供帮助。不仅如此，甚至还可以用Object Detector进行图片中的实体识别，对图片进行打tag，生成一系列文本。同时，在商业系统中还能通过点击信号，挖掘出用户query与图片的样本对<query, image>。

在ERNIE VIL 2.0中，作者采用了双塔模型，同时采用了CLIP的方式，通过使用112张A100 GPU和all_gather操作，将总batch size提高到了7168。并且，最主要的是，在该论文中作者提出了“多视角对比学习（multi-view contrastive learning）”，其中的多视角指的是同一个模态中（图片、文本），不同视角的表达。比如对于图片而言，可以对图片进行图片增强（image augmentation），比如图片抖动，随机crop等。通过这种手段能生成两个视角的图片，$I_{v1}$表示原图，$I_{v2}$表示进行图片增强后的图片。对于文本模态而言，作者认为除了caption之外，这个图片的其他可用文本信息就可视为是多视角文本信息，比如在本文中，作者认为图片的tags是其多视角文本。那么，$T_{v1}$为图片的caption，$T_{v2}$为图片的tags（可以是用户自己选定的，也可以是Object Detector等模型生成的）。如Fig 4.所示，与单视角对比学习相比，同个模态内和跨模态间都可以组建对比损失。如公式(1-1)所示，其中$S^{+}$为正样本对组合，$S^{-}$为负样本对组合，其中的$i,j$表示样本编号。如公式(1-2)所示，通过infoNCE损失对(1-1)中的各类型pair进行损失建模。整个ERNIE-VIL 2.0的模型结构如Fig 4. ©所示。
$$\begin{array}{rl}{S}^{+}& =\{(I_{v1}^i,I_{v2}^i),(T_{v1}^i,T_{v2}^i),(I_{v1}^i,T_{v1}^i),(T_{v1}^i,I_{v1}^i)\}\\ S^{-}& =\{(I_{v1}^i,I_{v2}^j),(T_{v1}^i,T_{v2}^j),(I_{v1}^i,T_{v1}^j),(T_{v1}^i,I_{v1}^j)\},i\ne j\end{array}\text{\hspace{1em}(1-1)}$$

$$L(x,y)=-\frac{1}{N}\sum _i^N\log \frac{\exp ((h_x^i{)}^{\mathrm{T}}{h}_y^i/\tau )}{{\sum }_{j=1}^N\exp ((h_x^i{)}^{\mathrm{T}}{h}_y^j/\tau )}\text{\hspace{1em}(1-2)}$$

实验结果就不贴出来了，笔者感觉这种方法比较有意思的是，它可以通过多视角文本样本扩充一些抽象实体的语义。如Fig 5.所示，对于（a）中的caption提到的“Dinner”，“晚餐”本质上是一个抽象的实体，没有具象化到某一类型具体的食物，而通过Object Detector得到的tag，我们能知道图片中存在西红柿，洋葱，食物等等实体，通过建立caption和tag的关联，可以让模型学习到Dinner的具象化语义。对于Fig 5. (b)和©而言，BMW E90是宝马的其中一个型号，而Gatos Manx应该是主人给猫取的爱称。汽车型号这种语义非常稀疏，而猫的姓名更是稀疏无比，在训练样本中甚至可能没有其他共现的文本出现了，这种语义很难学习出来。而通过建立caption和tag的关联，可以让模型学习到BWM E90是一种白色汽车，而Gatos Manx是一只猫（当然这个有风险，也许有人也叫这个名字呢，emm，但是如同“旺财”“福贵”在猫狗上取名的概率更大一样，这样学习出来的bias似乎也并不是没有可取之处呢？）。因此通过多视角文本的多模态预训练方式，可以扩充抽象语义，学习出稀疏语义。这是ERNIE VIL 2.0一文给予笔者最大的启发。

Reference

[1]. Shan, Bin, Weichong Yin, Yu Sun, Hao Tian, Hua Wu, and Haifeng Wang. “ERNIE-ViL 2.0: Multi-view Contrastive Learning for Image-Text Pre-training.” arXiv preprint arXiv:2209.15270 (2022).

[2]. Yu, Fei, Jiji Tang, Weichong Yin, Yu Sun, Hao Tian, Hua Wu, and Haifeng Wang. “Ernie-vil: Knowledge enhanced vision-language representations through scene graph.” arXiv preprint arXiv:2006.16934 (2020).

[3]. https://blog.csdn.net/LoseInVain/article/details/116275484，【论文极速看】ERNIE-VIL 一种基于场景图解析的多模态表征方法

[4]. Radford, A., Kim, J. W., Hallacy, C., Ramesh, A., Goh, G., Agarwal, S., … & Sutskever, I. (2021). Learning transferable visual models from natural language supervision. arXiv preprint arXiv:2103.00020.

[5]. https://blog.csdn.net/LoseInVain/article/details/119516894, CLIP-对比图文多模态预训练的读后感