微軟新作，ImageBERT雖好，千萬級數(shù)據(jù)集才是亮點
2020-02-05 14:40 作者：ylh 瀏覽量：
這次的肺炎疫情對中國的中小企業(yè)將會是沉重的打擊，據(jù)釘釘和微信兩個辦公平臺數(shù)據(jù)統(tǒng)計現(xiàn)有2億左右的人在家遠程辦公，那么對于中小企業(yè)的員工來說不懂IT技術將會讓他們面臨的最大挑戰(zhàn)和困難。
電腦不亮了怎么辦？系統(tǒng)藍屏如何處理？辦公室的電腦在家如何連接？網(wǎng)絡應該如何設置？VPN如何搭建？數(shù)據(jù)如何對接？服務器如何登錄？數(shù)據(jù)安全如何保證？數(shù)據(jù)如何存儲？視頻會議如何搭建？業(yè)務系統(tǒng)如何開啟等等一系列的問題，都會困擾著并非技術出身的您。
好消息是當您看到這篇文章的時候，就不用再為上述的問題而苦惱，您只需撥打艾銻無限的全國免費熱線電話:400 650 7820，就會有我們的遠程工程師為您解決遇到的問題，他們可以遠程幫您處理遇到的一些IT技術難題。
如遇到免費熱線占線，您還可以撥打我們的24小時值班經(jīng)理電話:15601064618或技術經(jīng)理的電話:13041036957，我們會在第一時間接聽您的來電，為您提供適合的解決方案，讓您無論在家還是在企業(yè)都能無憂辦公。
那艾銻無限具體能為您的企業(yè)提供哪些服務呢？
第一版塊是保障性IT外包服務:如電腦設備運維，辦公設備運維，網(wǎng)絡設備運維，服務器運維等綜合性企業(yè)IT設備運維服務。
第二版塊是功能性互聯(lián)網(wǎng)外包服務:如網(wǎng)站開發(fā)外包，小程序開發(fā)外包，APP開發(fā)外包，電商平臺開發(fā)外包，業(yè)務系統(tǒng)的開發(fā)外包和后期的運維外包服務。
第三版塊是增值性云服務外包:如企業(yè)郵箱上云，企業(yè)網(wǎng)站上云，企業(yè)存儲上云，企業(yè)APP小程序上云，企業(yè)業(yè)務系統(tǒng)上云，阿里云產(chǎn)品等后續(xù)的云運維外包服務。
您要了解更多服務也可以登錄艾銻無限的官網(wǎng):www.bjitwx.com查看詳細說明，在疫情期間，您企業(yè)遇到的任何困境只要找到艾銻無限，能免費為您提供服務的我們絕不收一分錢，我們?nèi)w艾銻人承諾此活動直到中國疫情結束,我們將這次活動稱為——春雷行動。
以下還有我們?yōu)槟峁┑囊恍┘夹g資訊，以便可以幫助您更好的了解相關的IT知識，幫您渡過疫情中辦公遇到的困難和挑戰(zhàn)，艾銻無限愿和中國中小企業(yè)一起共進退，因為我們相信萬物同體，能量合一，只要我們一起齊心協(xié)力，一定會成功。再一次祝福您和您的企業(yè)，戰(zhàn)勝疫情，您和您的企業(yè)一定行。
微軟新作，ImageBERT雖好，千萬級數(shù)據(jù)集才是亮點
繼 2018 年谷歌的 BERT 模型獲得巨大成功之后，在純文本之外的任務上也有越來越多的研究人員借鑒了 BERT 的思維，開發(fā)出各種語音、視覺、視頻融合的 BERT 模型。
雷鋒網(wǎng) AI 科技評論曾專門整理并介紹了多篇將BERT應用到視覺/視頻領域的重要論文，其中包括最早的VideoBERT以及隨后的ViLBERT、VisualBERT、B2T2、Unicoder-VL、LXMERT、VL-BERT等。其中VL-BERT是由來自中科大、微軟亞研院的研究者共同提出的一種新型通用視覺-語言預訓練模型。繼語言BERT之后，視覺BERT隱隱成為一種新的研究趨勢。
近期，來自微軟的Bing 多媒體團隊在arXiv上也同樣發(fā)表了一篇將BERT應用到視覺中的論文《ImageBERT: Cross-modal Pre-training with Large-scale Weak-supervised Image-Text Data》
在這篇文章中，作者提出了一種新的視覺語言預訓練模型ImageBERT，并從網(wǎng)絡上收集了一個大型的弱監(jiān)督圖像-文本數(shù)據(jù)集LAIT，包含了 10M（1千萬）的 Text-Image pairs，這也是目前最大的一個數(shù)據(jù)集。利用ImageBERT模型和LAIT數(shù)據(jù)集進行預訓練，在MSCOCO和Flicker30k上進行文本到圖像、圖像到文本的檢索任務上獲得了不錯的結果。
2、背景及相關工作
隨著Transformer的提出并廣泛應用于跨模態(tài)研究，近一年以來，各項任務上獲得的結果被推向了一個新的“珠穆朗瑪峰”。雖然幾乎所有最新的工作都是基于Transformer，但這些工作在不同的方面各有不同。
模型架構的維度：
BERT是面向輸入為一個或兩個句子的 NLP 任務的預訓練模型。為了將 BERT 架構應用于跨模態(tài)任務中，現(xiàn)在已有諸多處理不同模態(tài)的方法。ViLBERT和LXMERT 先分別應用一個單模態(tài)Transformer到圖像和句子上，之后再采用跨模態(tài)Transformer來結合這兩種模態(tài)。其他工作如VisualBERT， B2T2，Unicoder-VL， VL-BERT， Unified VLP，UNITER等等，則都是將圖像和句子串聯(lián)為Transformer的單個輸入。很難說哪個模型架構更好，因為模型的性能非常依賴于指定的場景。
圖像視覺標記維度：
最近幾乎所有的相關論文都將目標檢測模型應用到圖像當中，同時將經(jīng)檢測的感興趣區(qū)(ROIs) 用作圖像描述符，就如語言標記一般。與使用預訓練的檢測模型的其他工作不同，VL-BERT 結合了圖像-文本聯(lián)合嵌入網(wǎng)絡來共同訓練檢測網(wǎng)絡，同時也將全局圖像特征添加到模型訓練中。
可以發(fā)現(xiàn)，基于區(qū)域的圖像特征是非常好的圖像描述符，它們形成了一系列可直接輸入到 Transformer 中的視覺標記。
預訓練數(shù)據(jù)維度：
與可以利用大量自然語言數(shù)據(jù)的預訓練語言模型不同，視覺-語言任務需要高質(zhì)量的圖像描述，而這些圖像描述很難免費獲得。Conceptual Captions 是最為廣泛應用于圖像-文本預訓練的數(shù)據(jù)，有 3 百萬個圖像描述，相對而言比其他的數(shù)據(jù)集都要大。UNITER 組合了四個數(shù)據(jù)集（Conceptual Captions，SBU Captions，Visual Genome， MSCOCO），形成了一個960萬的訓練語料庫，并在多個圖像-文本跨模態(tài)任務上實現(xiàn)了最佳結果。LXMERT將一些VQA訓練數(shù)據(jù)增添到預訓練中，并且在VQA任務上也獲得了最佳結果。
我們可以發(fā)現(xiàn)，數(shù)據(jù)的質(zhì)量和大小對于模型訓練而言至關重要，研究者們在設計新的模型時應該對此給予更大的關注。
3、數(shù)據(jù)集收集
基于語言模型的BERT，可以使用無限的自然語言文本，例如BooksCorpus或Wikipedia；與之不同，跨模態(tài)的預訓練需要大量且高質(zhì)量的vision-language對。
目前最新的跨模態(tài)預訓練模型常用的兩個數(shù)據(jù)集分別是：
The Conceptual Captions (CC) dataset：包含了3百萬帶有描述的圖像，這些圖像是從網(wǎng)頁的Alt-text HTML屬性中獲取的；
SBU Captions：包含了1百萬用戶相關標題的圖像。
但這些數(shù)據(jù)集仍然不夠大，不足以對具有數(shù)億參數(shù)的模型進行預訓練（特別是在將來可能還會有更大的模型）。
為此，作者設計了一種弱監(jiān)督的方法（如下圖所示），從Web上收集了一個大規(guī)模的圖像文本數(shù)據(jù)集。
先是從網(wǎng)絡上收集數(shù)億的網(wǎng)頁，從中清除掉所有非英語的部分，然后從中收集圖片的URLs，并利用HTML 標記和DOM樹特征檢測出主要圖片（丟棄非主要圖片，因為它們可能與網(wǎng)頁無關）。
隨后僅保留寬度和高度均大于300像素的圖片，并將一些色情或淫穢內(nèi)容的圖片以及一些非自然的圖片丟棄。
針對剩下的圖片，將HTML中用戶定義元數(shù)據(jù)（例如Alt、Title屬性、圖片周圍文本等）用作圖像的文本描述.
為了確保文字和圖片在語義上是相關的，作者利用少量image-text監(jiān)督數(shù)據(jù)，訓練了一個弱image-text語義模型來預測<text, image>在語義上是否相關。用這個模型從十億規(guī)模的image-text 對中過濾掉相關性不高的數(shù)據(jù)，從而生成的數(shù)據(jù)集LAIT（Large-scale weAk-supervised Image-Text），其中包含了 一千萬張圖片，圖片描述的平均長度為13個字。
4、ImageBERT模型
通過一層嵌入層將文本和圖像編碼成不同的嵌入，然后將嵌入傳送到多層雙自我注意Transformer中來學習一個跨模態(tài)Transformer，從而對視覺區(qū)域和文字標記之間的關系進行建模。
1）嵌入建模
整個嵌入建模分為三個部分：語言嵌入、圖像嵌入、序列位置和片段嵌入。
在語言嵌入模塊中采用了與BERT相似的詞預處理方法。具體而言，是用WordPiece方法將句子分成（標記）n個子詞{w0,...,wn-1}。一些特殊的標記，例如CLS和SEP也被增添到標記的文本序列里。每個子詞標記的最終嵌入是通過組合其原始單詞嵌入、分段嵌入和序列位置嵌入來生成的。
與語言嵌入類似，圖像嵌入也是通過類似的過程從視覺輸入中產(chǎn)生的。用Faster-RCNN從 o RoIs中提取特征（記為{r0,...ro-1}），從圖像中提取特征，從而讓這兩個特征代表視覺內(nèi)容。檢測到的物體對象不僅可以為語言部分提供整個圖像的視覺上下文（visual contexts），還可以通過詳細的區(qū)域信息與特定的術語相關聯(lián)。另外，還通過將對象相對于全局圖像的位置編碼成5維向量來向圖像嵌入添加位置嵌入。5維向量表示如下：
在序列位置和片段嵌入中，因為沒有檢測到Rol的順序，所以其對所有的視覺標記使用固定的虛擬位置，并且將相應的坐標添加到圖像嵌入中。
2）多階段預訓練
不同的數(shù)據(jù)集來源不同，所以其數(shù)據(jù)集質(zhì)量也就不同。為了充分利用不同類型的數(shù)據(jù)集，作者提出了多階段預訓練框架。如下圖所示。
其主要思想是先用大規(guī)模域外數(shù)據(jù)訓練預先訓練好的模型，然后再用小規(guī)模域內(nèi)數(shù)據(jù)訓練。在多階段預訓練中，為了有順序地利用不同種類的數(shù)據(jù)集，可以將幾個預訓練階段應用到相同的網(wǎng)絡結構。
更為具體的，在ImageBERT模型中使用兩階段的預訓練策略。第一個階段使用LAIT數(shù)據(jù)集，第二個階段使用其他公共數(shù)據(jù)集。注意，兩個階段應使用相同的訓練策略。
在模型預訓練過程中，設計了四個任務來對語言信息和視覺內(nèi)容以及它們之間的交互進行建模。四個任務分別為：掩碼語言建模（Masked Language Modeling）、掩碼對象分類（Masked Object Classification）、掩碼區(qū)域特征回歸（Masked Region Feature Regression）、圖文匹配（Image-Text Matching）。
掩碼語言建模簡稱MLM，在這個任務中的訓練過程與BERT類似。并引入了負對數(shù)似然率來進行預測，另外預測還基于文本標記和視覺特征之間的交叉注意。
掩碼對象分類簡稱MOC，是掩碼語言建模的擴展。與語言模型類似，其對視覺對象標記進行了掩碼建模。并以15%的概率對物體對象進行掩碼，在標記清零和保留的概率選擇上分別為90%和10%。另外，在此任務中，還增加了一個完全的連通層，采用了交叉熵最小化的優(yōu)化目標，結合語言特征的上下文，引入負對數(shù)似然率來進行預測正確的標簽。
掩碼區(qū)域特征回歸簡稱MRFR，與掩碼對象分類類似，其也對視覺內(nèi)容建模，但它在對象特征預測方面做得更精確。顧名思義，該任務目的在于對每個掩碼對象的嵌入特征進行回歸。在輸出特征向量上添加一個完全連通的圖層，并將其投影到與匯集的輸入RoI對象特征相同的維度，然后應用L2損失函數(shù)來進行回歸。
值得注意的是，上述三個任務都使用條件掩碼，這意味著當輸入圖像和文本相關時，只計算所有掩碼損失。
在圖文匹配任務中，其主要目標是學習圖文對齊（image-text alignment）。具體而言對于每個訓練樣本對每個圖像隨機抽取負句（negative sentences），對每個句子隨機抽取負圖像（negative images），生成負訓練數(shù)據(jù)。在這個任務中，其用二元分類損失進行優(yōu)化。
4）微調(diào)任務
經(jīng)過預訓練，可以得到一個“訓練有素”的語言聯(lián)合表征模型，接下來需要對圖文檢索任務模型進行微調(diào)和評估，因此本任務包含圖像檢索和文本檢索兩個子任務。圖像檢索目的是給定輸入字幕句能夠檢索正確的圖像，而圖像文本檢索正好相反。經(jīng)過兩個階段的預訓練后，在MSCoCO和Flickr30k數(shù)據(jù)集上對模型進行了微調(diào)，在微調(diào)過程中，輸入序列的格式與預訓練時的格式相同，但對象或單詞上沒有任何掩碼。另外，針對不同的負采樣方法提出了兩個微調(diào)目標：圖像到文本和文本到圖像。
為了使得提高模型效果，還對三種不同的損失函數(shù)進行了實驗，這三種損失函數(shù)分別為：二元分類損失、多任務分類損失、三元組損失（Triplet loss）。關于這三種微調(diào)損失的組合研究，實驗部分將做介紹。
5、實驗
針對圖像-文本檢索任務，作者給出了零樣本結果來評估預訓練模型的質(zhì)量和經(jīng)過進一步微調(diào)后的結果。下面是在 MSCOCO 和Flickr30k 數(shù)據(jù)集的不同設置下，對ImageBERT模型和圖像檢測和文本檢索任務上其他最先進的方法進行的比較。
1）評估預訓練模型
如前面所提到，模型經(jīng)過了兩次預訓練。首先是在 LAIT 數(shù)據(jù)集上，采用從基于BERT 的模型初始化的參數(shù)對模型進行了預訓練；然后又在公開數(shù)據(jù)集（Conceptual Captions， SBU Captions）上對模型進行二次預訓練。具體過程和實驗設置請參考論文。
在沒有微調(diào)的情況下，作者在Flickr30k和MSCOCO測試集上對預訓練模型進行了評估，如下：
在微調(diào)后，ImageBERT模型獲得了有競爭力的結果，相關情況在表2 部分進行說明。值得一提的是，相比于其他僅有一個預訓練階段的方法，這種多階段的預訓練策略在預訓練期間學到了更多有用的知識，因而能夠有助于下游任務的微調(diào)階段。
2）評估微調(diào)模型
在檢索任務上微調(diào)后的最終結果如表2 所示。我們可以看到，ImageBERT模型在Flickr30k 和 MSCOCO（同時在 1k和 5k的測試集）上都實現(xiàn)了最佳表現(xiàn)，并且超越了所有的其他方法，從而證明了本文所提的面向跨模態(tài)聯(lián)合學習的 LAIT 數(shù)據(jù)和多階段預訓練策略的有效性。
作者也在 Flickr3k 數(shù)據(jù)集上對預訓練數(shù)據(jù)集的不同組合、全局視覺特征的顯示、不同的訓練任務等進行了消融實驗，以進一步研究ImageBERT模型的架構和訓練策略。
預訓練數(shù)據(jù)集
可以看到，用多階段的方法來使用三種不同的域外數(shù)據(jù)集，獲得了比其他方法明顯更好的結果。
全局圖像特征
預訓練損失
作者也將由UNITER引起的MRFR損失添加到預訓練中，結果在零樣本結果上獲得略微提高，結果如表4 的第2 部分所示。這意味著增加一個更難的任務來更好地對視覺內(nèi)容進行建模，有助于視覺文本聯(lián)合學習。
圖像中的目標數(shù)量 (RoIs)
為了理解ImageBERT模型的視覺部分的重要性，作者基于不同的目標數(shù)量進行了實驗。如表4的第4部分所示，ImageBERT模型在目標最少（目標數(shù)量與ViLBERT一樣）的情況下，在檢索任務上并沒有獲得更好的結果。
可以得出結論，更多的目標確實能夠幫助模型實現(xiàn)更好的結果，因為更多的 RoIs 有助于理解圖像內(nèi)容。
微調(diào)損失
針對在第4部分所提到的三項損失，作者嘗試在微調(diào)期間進行不同的組合。如表4的第4 部分所示，模型通過使用二元交叉熵損失（Binary Cross-Entropy Loss），本身就能在圖像-文本檢索任務上獲得最佳的微調(diào)結果
相關文章
- [網(wǎng)絡服務]保護無線網(wǎng)絡安全的十大
- [網(wǎng)絡服務]無線覆蓋 | 無線天線對信
- [網(wǎng)絡服務]綜合布線 | 綜合布線發(fā)展
- [數(shù)據(jù)恢復服務]電腦運維技術文章：win1
- [服務器服務]串口服務器工作模式-服務
- [服務器服務]串口服務器的作用-服務維
- [服務器服務]moxa串口服務器通訊設置參
- [網(wǎng)絡服務]網(wǎng)絡運維|如何臨時關閉
- [網(wǎng)絡服務]網(wǎng)絡運維|如何重置IE瀏覽
- [網(wǎng)絡服務]網(wǎng)絡運維|win10系統(tǒng)升級后
- [辦公設備服務]辦公設備:VPN簡介
- [辦公設備服務]辦公設備:VPN技術的要求
IT電腦維護外包
關閉