[论文解读] Multimodal Adaptive Distillation for Leveraging Unimodal Encoders for Vision-Language Tasks

Zhecan Wang, Noel Codella+9 more|arXiv (Cornell University)|Apr 22, 2022

Multimodal Machine Learning Applications被引用 8

一句话总结

本文提出多模态自适应蒸馏（MAD），一种将大规模预训练单模态视觉与文本编码器（如CLIP）的知识迁移至视觉语言模型的方法，无需重新训练。MAD通过令牌选择模块和交叉注意力对齐，自适应地蒸馏模态特异性知识，在少样本、域偏移和全监督设置下，在VCR、SNLI-VE和VQA任务上均达到最先进性能，优于包括CLIP-ViL p在内的先前方法。

ABSTRACT

Cross-modal encoders for vision-language (VL) tasks are often pretrained with carefully curated vision-language datasets. While these datasets reach an order of 10 million samples, the labor cost is prohibitive to scale further. Conversely, unimodal encoders are pretrained with simpler annotations that are less cost-prohibitive, achieving scales of hundreds of millions to billions. As a result, unimodal encoders have achieved state-of-art (SOTA) on many downstream tasks. However, challenges remain when applying to VL tasks. The pretraining data is not optimal for cross-modal architectures and requires heavy computational resources. In addition, unimodal architectures lack cross-modal interactions that have demonstrated significant benefits for VL tasks. Therefore, how to best leverage pretrained unimodal encoders for VL tasks is still an area of active research. In this work, we propose a method to leverage unimodal vision and text encoders for VL tasks that augment existing VL approaches while conserving computational complexity. Specifically, we propose Multimodal Adaptive Distillation (MAD), which adaptively distills useful knowledge from pretrained encoders to cross-modal VL encoders. Second, to better capture nuanced impacts on VL task performance, we introduce an evaluation protocol that includes Visual Commonsense Reasoning (VCR), Visual Entailment (SNLI-VE), and Visual Question Answering (VQA), across a variety of data constraints and conditions of domain shift. Experiments demonstrate that MAD leads to consistent gains in the low-shot, domain-shifted, and fully-supervised conditions on VCR, SNLI-VE, and VQA, achieving SOTA performance on VCR compared to other single models pretrained with image-text data. Finally, MAD outperforms concurrent works utilizing pretrained vision encoder from CLIP. Code will be made available.

研究动机与目标

• 为解决在无需昂贵微调的情况下，利用大规模高质量单模态编码器（如CLIP）进行视觉语言任务的挑战。
• 通过知识蒸馏提升视觉语言模型在少样本、域偏移和全监督条件下的性能。
• 开发一种在保持计算效率的同时，增强跨模态推理能力并减少对模型捷径依赖的方法。
• 评估蒸馏在多样化视觉语言任务和数据设置（包括零样本和少样本设置）下的有效性。

提出的方法

• MAD从预训练的单模态视觉与文本编码器（如CLIP-V、CLIP-T）中自适应地蒸馏知识至学生视觉语言模型。
• 令牌选择模块识别并强调学生模型中语义上有意义的令牌，减少对‘is’或‘the’等无意义词的注意力。
• 交叉注意力机制将学生模型的模态表示与教师编码器的表示对齐，增强跨模态特征对齐。
• 通过对比损失应用知识蒸馏，促使学生模型模仿教师在多个任务上的输出分布。
• 该方法与模型架构无关，可应用于多种学生架构，包括VL-BERT、UNITER和VILLA。
• 蒸馏仅在微调阶段应用，保持推理效率并避免完整重训练。

实验结果

研究问题

• RQ1 能否在不进行完整微调的情况下，有效利用CLIP等预训练单模态编码器进行视觉语言任务？
• RQ2 自适应蒸馏是否能在少样本、域偏移和全监督设置下提升性能？
• RQ3 蒸馏能否减少视觉语言模型对表面文本捷径的依赖？
• RQ4 与CLIP-ViL p等同期方法相比，MAD在准确率和鲁棒性方面表现如何？

主要发现

• MAD在VCR基准上实现最先进性能，优于其他基于图像-文本数据预训练的单模型方法。
• 在SNLI-VE上，MAD在100%训练数据设置下准确率相比基线最高提升3.3%，且在所有数据设置下均保持一致增益。
• 在低样本设置（0.3%数据）下，MAD相比微调基线提升VQA性能1.7%，相比CLIP-ViL p提升1.2%。
• MAD通过提升视觉模态的重要性，缓解模态不平衡，缩小视觉与文本模态注意力之间的差距。
• 定性分析表明，MAD减少对无意义词汇的注意力，同时增强对‘sending’和‘telegram’等有意义词汇的关注。
• 采用MAD的集成模型在VQA验证集上达到73.93%的准确率，超过CLIP-ViL p的73.82%。