吊打 CLIP 平均10个点，Meta 多模态通用模型 FLAVA真香啊

2023-10-29

厉害了！作者将单一模型运用于三个不同领域的不同任务，结构简单且训练直观，还能有着出色的表现。

自Transformer横空出世，从NLP到CV，再到今天的多模态，无数基于Transformer的模型被应用于各类任务，似乎真的印证了当年文章的标题“Transformer is ALL you need”。然而，纯粹的NLP任务有BERT、RoBERTa，CV任务有ViT，多模态任务又有VLBERT、OSCAR，虽然都是基于Transformer的结构，但是仍然是针对不同任务设计不同模型，那么“万能”的Transformer能否构建出一个统合各类任务的模型，实现真的的一个模型解决所有问题呢？

干货推荐

今天文章的作者就关注到了当前各个模型的局限，提出了一个适用于NLP+CV+多模态的模型FLAVA，可运用于三种领域共计35个任务，且都有着出色的表现。

论文题目:
FLAVA: A Foundational Language And Vision Alignment Model

论文链接:
https://arxiv.org/abs/2112.04482

介绍

文章标题中，作者称模型为“Foundational”，他们不希望借助各种奇技淫巧的Tricks，而是通过尽可能简单的结构，配合直观的的训练手段，达到涵盖NLP、CV、多模态的目的。

FLAVA基于三种不同的输入：

匹配的图片-文本
单独文本
单独图片

解决三个领域的问题：

NLP：语言理解（如GLUE）
CV：视觉识别（如ImageNet）
多模态：多模态解释（如VQA）

图片编码器(Image Encoder)

FLAVA直接借用既有模型ViT的结构，同时仿照ViT的处理方法，分割图片进行编码。在ViT输出的隐状态上，FLAVA利用单一模态数据集中的图片进行Masked Image Modeling。首先，利用dVAE将图片转化为类似词向量的token；再参照BEiT，对masked隐状态进行分类，即利用周围图片分块，预测masked的图片属于dVAE划分的哪一类，这样在图片上也可以像BERT那样做mask modeling。

文本编码器(Text Encoder)

FLAVA在文本部分多处理就相对简单，作者采取常见的Masked Language Modeling，对一部分masked token进行预测，和其他方法对区别在于，FLAVA没有采用BERT之类纯文本语言模型的结构，而是和图片编码器一样，使用了ViT的结构，不过因为是不同的模态，自然采用了不同的模型参数。

多模态编码器(Multimodal Encoder)

在图片编码器和文本编码器之上，FLAVA添加了一层多模态编码器做模态融合，多模态编码器将前两者输出的隐藏状态作为输入，同样利用ViT的模型结构进行融合。

多模态预训练

在文本编码器和图片编码器中，FLAVA在单一模态上进行了预训练，在多模态预训练方面，FLAVA使用了三种多模态预训练任务：

对比学习：FLAVA利用图片编码器和文本编码器的隐藏状态，增大相匹配的图片-文本对之间的余弦相似度，减小非匹配的图片-文本对之间的余弦相似度。
Masked Multimodal Modeling：与图片编码器上的MIM类似，只不过改为利用多模态编码器的隐状态进行预测。
图片-文本匹配：与许多现有模型一样，FLAVA利用多模态编码器的[CLS]的隐状态，识别当前图片与文本是否匹配。

效果

从上述模型细节可以看出，无论是模型结构，还是预训练任务，文本与图片之间高度对称，同时也设计也十分直观。接下来看看在35个任务上的表现。

图中下划线表示最优结果，加粗表示在公开数据集上训练的最优结果。

从各个任务平均上看，FLAVA能够取得整体上的最优结果，多模态任务平均比CLIP高出2个百分点左右，整体平均比CLIP高出10个百分点左右。从具体任务上看，在不少任务上都取得了十分显著的提高，如STS-B数据集提高了69.69，MNLI数据集提高了46.81。

小结

不同于现有模型，FLAVA最大的特点，也可以说是创新点，在于作者实现了将单一模型运用于三个不同领域的不同任务，而且都有着不错的效果，虽然FLAVA并没有奇迹般在所有任务上都达到SOTA，但是整体性能上并不弱于现有模型，同时有着更广阔的运用场景，模型设计也没有各种奇技淫巧，这对未来研究通用模型有着很大的启发。

本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)