谷歌发布最新看图说话模型：可实现零样本学习，多类型任务也能直接上手

谷歌新推出了弱监督看图说话模型 SimVLM，能够轻松实现零样本学习（zero-shot）任务迁移。

从文字描述图像到回答图片相关问题，模型无需微调也能样样精通。

对于一般的视觉语言预训练（VLP）模型，训练数据集中要求包含大量精准标签。而模型的任务迁移，则需要针对特定任务重新进行数据集的标签标注。

总结下来，就是标注数据集不仅耗时耗力，还不能多任务通用。

能不能开发出一种又简单又万能的 VLP 模型呢？

谷歌新开发的这款模型使用了弱监督学习进行模型训练，通过利用大量的弱对齐图像-文本对进行建模，简化了 VLP 的训练流程，大大降低了训练的复杂性。

SimVLM 使用前缀语言建模的单一目标进行端到端训练，并直接将原始图像作为输入。这些设置允许模型对大规模的弱标记数据集进行利用，从而能够更好地实现零样本学习泛化效果。

SimVLM 模型是如何实现的？

SimVLM 模型的预训练过程采用了前缀语言建模 (PrefixLM) 的单一目标，接受序列的前缀作为输入，通过模型解码器来预测其延续的内容。

对于数据集中的图像-文本对，图像序列可视作其文本描述的前缀。

这种方法可以简化训练过程，最大限度地提高模型在适应不同任务设置方面的灵活性和通用性。

模型的主干网络，则使用了在语言和视觉任务上均表现突出的 Transformer 架构。

对输入的原始图像数据提取上下文 patch，这里采用了 ResNet 卷积网络。

如上图所示：视觉模态中，图片被分割成多个 patch，然后压缩为一维序列。文本模态语句则被映射到了一个表征向量中。

本模型使用了包含大约 1.8B 噪声的图像-文本对 ALIGN 训练集进行预训练，以此来实现更好的零样本学习泛化能力。

为了补偿训练集中的噪声影响，训练模型另外还使用了共 800G 的 Colossal Clean Crawled Corpus (C4) 数据集。

SimVLM 模型基础性能如何？

模型的预训练完成后，需要在多模式任务中对模型进行微调，以测试性能。

这里用到的多模式任务有：VQA、NLVR2、SNLI-VE、COCO Caption、NoCaps 和 Multi30K En-De。

▲ 性能指标：BLEU-4 (B@4)、METEOR (M)、CIDEr (C)、SPICE (S)

将 SimVLM 模型与现有的功能完善的模型进行比较，测试结果如上表所示，参与评估的 SimVLM 模型还包括了三种不同规模：8600 万参数、3.07 亿参数和 6.32 亿参数。

跨模式任务的测试结果中，SimVLM 模型的性能表现最好（数据越大越好），除了 CoCo Caption 的 B@4 指标，在其他任务上都取得了新的 SOTA 结果，充分证明了该模型的先进性。

SimVLM 模型零样本泛化

SimVLM 模型在跨模式任务测试中可以取得不错的性能表现，那么它能否顺利执行零样本跨模态转移呢？

预训练的 SimVLM 模型仅对文本数据进行微调或完全不进行微调，通过图像字幕、多语言字幕、开放式 VQA 和视觉文本生成等任务，对模型进行测试。

测试结果如下图所示：

给定图像和文本提示，预训练模型无需微调即可预测图像的内容。

除此之外，未进行过微调的模型在德语字幕生成、数据集外的答案生成、基于图像内容的文字描述、开放式视觉问题回答等应用上均有不错的表现。

为了量化 SimVLM 的零样本学习性能，这里采用了预训练的固化模型在 COCO Caption 和 NoCaps 上进行解码，然后与监督标准基线（Sup.）进行比较。

从结果对比上来看，即使没有监督微调，SimVLM 也可以达到有监督的训练质量水平。

作者介绍

本研究的第一作者是谷歌学生研究员王子瑞，现就读于卡内基梅隆大学，曾以第一作者身份在 ICLR、EMNLP、CVPR 等顶会上发表了多篇论文。

截止到 2020 年 12 月 20 日，他在 SuperGLUE 数据集上获得了第一个超过人类得分的 SOTA 性能（分数超过 90），目前则被百度团队赶超，位居第二。

这一次开发的 SimVLM 也在 6 个视觉语言基准测试中达到了单模型 SOTA 性能，并实现了基于文本引导的零样本学习泛化能力。

参考链接：

https://arxiv.org/abs/2108.10904

https://ai.googleblog.com/2021/10/simvlm-simple-visual-language-model-pre.html

http://www.cs.cmu.edu/~ziruiw/