超越CLIP的多模态模型，只需不到1%训练数据！南加大最新研究来了

羿阁发自凹非寺
量子位|公众号QbitAI
火爆全网的AI绘画你玩了吗？
女娲无限版、DALL·E2、Imagen……这些通过文字生成图像的AI绘画工具，背后的原理都是一个叫“CLIP”的模型，它是AI如何“理解”人类语义这一问题的关键。

文章图片
CLIP（ContrastiveLanguage–ImagePre-training），是一种基于对比的图片-文本学习的跨模态预训练模型，由OpenAI于去年1月发布。
它好用是好用，但一个大问题是数据需求太大：4亿个图像文本对、256个GPU ，这对许多公司和个人都很不友好。
对此，南加州大学的最新研究发现了一种基于本体的课程学习（CurriculumLearning）算法，只需不到1%的训练数据就能达到CLIP同款效果，甚至在图像检索方面表现更好。
新方法名为TOnICS（TrainingwithOntology-InformedContrastiveSampling），相关论文已上传到arXiv 。

文章图片
原理介绍在介绍新方法之前，首先需要回顾一下CLIP 。
CLIP的模型结构其实非常简单：包括两个部分，即文本编码器和图像编码器。
两者分别编码后，将文本和视觉嵌入映射到相同空间中，使用对比学习的思想，将匹配的图片-文本Embedding的距离拉近，将不匹配的Embedding拉远。
在此基础上， TOnICS没有选择从头训练图像和文本编码器，而是把单模态预训练模型BERT用于文本编码，微软的VinVL用于图像编码，并使用InfoNCE损失函数将它们彼此对齐。

文章图片
这是一种基于本体的课程学习算法，从简单的样本开始训练，方法是随机抽样小批次，并通过在图像和文本输入中加入相似的小批量数据，逐步加大对比任务的难度。
举个例子，在随机抽样生成的小批量数据中，如果想找到“一条叼着飞盘在草地上奔跑的狗” ，只需要先找画面中有狗的图片即可，因为随机生成的图像中包含狗的概率非常小。
也就意味着，随机小批量抽样将对比任务简化为了对象匹配。

文章图片
但当对小批样进行采样时，会抓取到很多画面中有狗的相似图片，因此仅靠识别图片中是否有狗已经不能解决问题了，该模型必须共享上下文级信息的语言和视觉表示，从而产生更细粒度的对齐。

文章图片
此外，不同于CLIP从互联网收集构建了4亿个图像-文本对的数据集， BERT-VinVL模型只需不到1%的训练量，但效果并没有打折扣。

文章图片
研究人员在MS-COCO和ConceptualCaptions上训练BERT-VinVL模型，并将该模型与下游检索任务上的CLIP进行比较。
实验结果发现， BERT-VinVL模型同样能达到零样本学习效果，甚至在图像检索上表现更好（R@1提高了1.5%）。

文章图片
研究团队该篇论文来自南加州大学的研究团队，作者分别是TejasSrinivasan、XiangRen和JesseThomason 。
第一作者TejasSrinivasan ，是南加州大学GLAMOR实验室的一年级博士生，跟随助理教授JesseThomason进行多模态机器学习和语言基础领域的研究。