[论文解读] Scaling Up Visual and Vision-Language Representation Learning With Noisy Text Supervision

Chao Jia, Yinfei Yang+8 more|arXiv (Cornell University)|Feb 11, 2021

Multimodal Machine Learning Applications参考文献 75被引用 1,195

一句话总结

ALIGN 使用双编码器从大规模嘈杂的图像-替文本语料库中训练视觉和视觉-语言嵌入，采用对比损失，在视觉和跨模态检索任务上实现零-shot 和微调的最先进性能。

ABSTRACT

Pre-trained representations are becoming crucial for many NLP and perception tasks. While representation learning in NLP has transitioned to training on raw text without human annotations, visual and vision-language representations still rely heavily on curated training datasets that are expensive or require expert knowledge. For vision applications, representations are mostly learned using datasets with explicit class labels such as ImageNet or OpenImages. For vision-language, popular datasets like Conceptual Captions, MSCOCO, or CLIP all involve a non-trivial data collection (and cleaning) process. This costly curation process limits the size of datasets and hence hinders the scaling of trained models. In this paper, we leverage a noisy dataset of over one billion image alt-text pairs, obtained without expensive filtering or post-processing steps in the Conceptual Captions dataset. A simple dual-encoder architecture learns to align visual and language representations of the image and text pairs using a contrastive loss. We show that the scale of our corpus can make up for its noise and leads to state-of-the-art representations even with such a simple learning scheme. Our visual representation achieves strong performance when transferred to classification tasks such as ImageNet and VTAB. The aligned visual and language representations enables zero-shot image classification and also set new state-of-the-art results on Flickr30K and MSCOCO image-text retrieval benchmarks, even when compared with more sophisticated cross-attention models. The representations also enable cross-modality search with complex text and text + image queries.

研究动机与目标

• 推动在不进行昂贵数据清洗的情况下实现可扩展的视觉与视觉-语言表示学习。
• 提出一个简单的双编码器架构，在十亿以上嘈杂的图像-alt文本对上用对比损失进行训练。
• 证明规模可以弥补噪声，在视觉与跨模态任务上实现强转移性能。

提出的方法

• 以 EfficientNet 作为图像编码器，BERT 作为文本编码器，二者共享嵌入空间。
• 在图像到文本和文本到图像方向都使用归一化的 softmax 对比损失进行训练。
• 应用最小频率筛选，从 Conceptual Captions 构建一个 1.8B 的图像-alt文本数据集，无需大量后处理。
• 在 Flickr30K 和 MSCOCO 上评估零-shot 与微调检索，以及如 Crisscrossed Captions (CxC) 等跨模态基准。
• 通过在文本编码器中使用类别名提示查询，展示零-shot 的 ImageNet 分类。

实验结果

研究问题

• RQ1 一个在极大规模嘈杂的图像-文本数据集上训练的简单双编码器，能否在不进行大量过滤的情况下实现最先进的跨模态检索？
• RQ2 在学习视觉与视觉-语言表示时，规模和数据质量如何权衡？
• RQ3 在零-shot和微调设置下，图像分类和图像-文本检索能达到怎样的迁移性能？
• RQ4 多语言扩展是否能将跨模态检索推广到非英语数据？
• RQ5 学习得到的嵌入的定性属性有哪些（组合性、文本+图像查询能力）？

主要发现

• ALIGN 在 Flickr30K 和 MSCOCO 的图像-文本检索在零-shot 与微调设置下达到最先进的结果。
• 在 ImageNet 的零-shot 图像分类中，ALIGN 使用类别名提示达到 76.4% 的 top-1 精度，与 CLIP 相当。
• 在 ImageNet 上，ALIGN 仅使用图像编码器就达到 88.64% 的 top-1 精度的视觉分类任务。
• CxC 检索与 SITS 指标相较于以前的 VSE 和跨注意力模型显示出显著提升，尤其在图像到文本和文本到图像的召回方面。
• 一个多语言的 ALIGN 模型（ALIGN mling）在 100 余种语言上训练，在 Multi30K 的零-shot 多语言图像-文本检索中优于部分基线，展示了跨语言能力。