Learning Transferable Visual Models From Natural Language Supervision

目前开始了解多模态相关的知识，欢迎大家批评指正！

这篇论文来自2021年的International Conference on Machine Learning，整理该论文的主要内容，参考【论文阅读】CLIP：Learning Transferable Visual Models From Natural Language Supervision ------ 多模态，视觉，预训练模型_me_yundou的博客-CSDN博客Learning Transferable Visual Models From Natural Language Supervision - John_Ran - 博客园两篇文章。

论文题目：从自然语言监督中学习可转移的视觉模型

研究问题：将文本数据和图像数据相结合，提出了CLIP，用对比学习的方法对语言-图像预训练，这是一种高效、可扩展的自然语言监督学习方法。

研究思路：利用互联网上的图片，训练CLIP。在训练结束后，自然语言用来参照学习到的视觉概念，然后进行zero-shot transfer learning。

（1）首先是构建CLIP，CLIP实际上是一个预训练模型，包括文本编辑和图像编辑器两部分，分别计算文本向量和图像向量的相似度，以预测它们是否为一对，如图1所示。CLIP将图像和文本先分别输入一个图像编码器image_encoder和一个文本编码器text_encoder，得到图像和文本的向量表示 I-f 和 T_f 。然后将图像和文本的向量表示映射到一个联合多通道空间，得到新的可直接进行比较的图像和文本的向量表示 I_e 和T_e 。然后计算图像向量和文本向量之间的cosine相似度。最后，对比学习的目标函数就是让正样本对的相似度较高，负样本对的相似度较低。

 图 1

 CLIP联合训练图像编码器和文本编码器来预测一批(图像，文本)训练示例的正确配对。在测试时，学习的文本编码器通过嵌入目标数据集类的名称或描述，合成一个零镜头线性分类器。CLIP代码如图2所示：

 图 2 

（2）进行zero-shot transfer learning

研究过程：1.构建一个足够大的数据集-----》WebImageText(4亿个文本-图像对)

                  2.选择一个有效的预训练模型-----》CLIP

                  3.选择和缩放模型------》作者选择了两种模型，一个是ResNet-D，平滑了rect-2 blur  pooling。将global average pooling用一个attention pooling来改进。其中这个transformer类型的层，是以global average-pooled representation作为query。第二 vision的结构是ViT，改动比较少：在patch embeding和position embedding结合之后，加了一个layer normalization。然后实现的时候，使用了一点不一样的初始化策略。

                   4.预训练------》训练的scale策略，5个ResNet，3个vit。ResNet-50,  ResNet-101，  RN50x4, RN50x16, and RN50x64。 ViT-B/32, a ViT-B/16, and a ViT-L/14。最后使用的 32,768的batch size。使用了gradient checkpoint。半精度。The largest  ResNet model, RN50x64, took 18 days to train on 592 V100 GPUs while the  largest Vision . Transformer took 12 days on 256 V100 GPUs。还有一个vit使用336的pixel resolution。

                    5.利用CLIP------》对于每个数据集，使用数据集中所有类的名称作为潜在文本对的集 合，并根据CLIP预测最可能的(图像、文本)对。此外，还尝试为CLIP提供文本提示以帮助指定任务，以及集成多个这些模板以提高性能。

       数据集及实验结果：对于模型的表现，作者在27个数据集上进行了实验，发现在16个数据集上表现的更好：

主要创新：CLIP是一个预训练模型，就像BERT、GPT、ViT等预训练模型一样。首先使用大量无标签数据训练这些模型，然后训练好的模型就能实现，输入一段文本（或者一张图像），输出文本（图像）的向量表示。CLIP和BERT、GPT、ViT的区别在于，CLIP是多模态的，包含图像处理以及文本处理两个方面内容，而BERT、GPT是单文本模态的，ViT是单图像模态的。

总结：

关于CLIP的一些局限性：

1. 作者认为，仅仅与baseline打平不是最终目标。因为与这些数据集完全监督的SOTA比起来，CLIP还打不过他们。需要将当前的计算量放大到1000x才能达到现在的SOTA，这在当前的硬件条件下是做不到的。

2. 作者认为，CLIP在某些专用型特别强的task上不太work。比如，在一些细粒度的数据集上，或者一些比较抽象、对称的task。这些task的图片，在CLIP的pre-train的数据集上出现的比较少。作者认为，还有很多task上，CLIP是在瞎猜。

3. CLIP在很多自然的图片分布上效果不错，但是在一些真的out-of-distributiob的数据集上还是不太行，比如在OCR上。在rendered text上表现相当不错，因为这在CLIP的pre-training上十分常见。但是在手写数字体识别上就拉垮了，只有88%的准确率。因为从semantic和near-duplicate nearest-neighbor retrieval上没找到。