CLIP浅谈_qwenvl

CLIP论文地址：Learning Transferable Visual Models From Natural Language Supervision
CLIP代码地址：https://github.com/openai/CLIP

简介

CLIP是OpenAI在2021年2月发表的一篇文章，它的主要贡献有以下2点：
1）将图像分类问题映射为了多模态问题，也就是说他的图片标签不再是一个单词类别，而是一段文字描述，例如：“A photo of {label}”；
2）利用4亿的训练数据，将待分类的图片映射为了zero-shot问题，对于新来的数据，只需要把标签记录下来，就可以直接分类，而不需要重新训练。

模型结构

text encoder可以简单地理解为bert，作用为将图片的描述映射为特征向量，假如有n个句子，就是n个文本特征，image encoder可以理解为vit，假如有n张图片，也会得到n个图片特征。最后将文本特征和图片特征计算余弦距离，可以得到n*n的矩阵。由于每个文本只有一张对应的图片是正例，同理每一张图片只有一句文本是正例，因此对角线处的余弦距离最近，相似度最高，其他位置的距离要尽可能的大，相似度尽可能的低。当训练完成后，在预测的时候，只需要计算每张图片与待预测的类别余弦距离即可，找距离最近，相似度最高的一个类别就是输出结果。

实验结果

实验结果表明，clip在众多数据集上都战胜了resnet50，这在之前的网络中是不可能的。