多模态之clip

论文：Learning Transferable Visual Models From Natural Language Supervision

Github：https://github.com/OpenAI/CLIP

OpenAI出品

论文通过网络爬取4亿(image, text)对，使用对比学习的方法训练得到clip（Contrastive Language-Image Pre-training）模型。模型可以实现图片和文本的编码，同时还可以zero-shot直接迁移进下游其他任务。在模型上一共尝试了8个模型，从resnet到ViT，最小模型和最大模型之间的计算量相差约100倍，迁移学习的效果基本和模型大小成正相关。尝试了30个数据集，都能和之前的有监督的模型效果差不多甚至更好。

网络结构:

Clip模型基于双塔结构的网络设计。分别基于2个主干网络实现对于文本和图片的编码，分别输出文本的特征向量（T1,T2……TN）和图片的特征向量（I1,I2……IN）。最终两个特征向量做矩阵运算共得到N个类内特征，N2-N个类间特征。通过对比损失函数，增大N个类内特征之间的cos距离，减小N2-N个类间特征的cos距离。

图片编码的主干网络一共设计了5种ResNet系列（ResNet-50, ResNet-101，RN50x4， RN50x16， RN50x64，）和3种ViT系列（ViT-B/32, a ViT-B/16, and a ViT-L/14）。

其中ResNet在原生基础上做了略微改动，主要改动包括增加了抗锯齿的2*2pooling，将网络最后的全局池化替换为attention池化。

ViT的改动主要是增加了一共额外的归一化层来结合patch块和位置position编码。同时使用了稍微不同的初始化策略。

文本的主干网络主要使用Transformer网络。网络包含63M参数，12层网络深度，512的网络宽度，8个注意力机制头。包含49152个单词长度，句子最大长度为76。
 

训练细节：

（1）在训练过程中，文本的主干网络和图片的主干网络都没使用类似ImageNet的预训练权重做初始化，全部都是随机初始化的。

（2）仅仅使用线性投影，将文本和图片的特征向量投影到embedding空间。

（3）Clip的(image, text)对都是一一配对的，一个图片只对应一个句子，所以这里也没有像一个图片对应多个句子，可以对句子进行随机采样操作。

（4）图片的数据增强方式只有resize和随机crop操作。

（5）softmax中的温度参数T是模型训练得到的，T初始化为0.07，超过100将被截断。

蓝色：基于transformer的语言模型，0样本迁移能力最差，训练速度最慢。

橙色：词袋模型，0样本迁移能力居中，训练速度比transformer语言模型快了3倍。

绿色：clip模型，0样本迁移能力最好，通过类内类间对比训练的方式，训练速度比transformer语言模型快了4倍。

损失函数：

 

有两个输入，一个是图片，一个是文本，图片的维度是[n,h,w,c]，文本的维度是[n,l]，l是指序列长度，然后送入到各自的encoder提取特征，image encoder可以是ResNet也可以是Vision Transformer，text encoder可以是CBOW，也可以是Text Transformer，得到对应的特征之后，再经过一个投射层（即W_i和W_t)，投射层的意义是学习如何从单模态变成多模态，投射完之后再做l2 norm，就得到了最终的用来对比的特征I_e和T_e，现在有n个图像的特征，和n个文本的特征，接下来就是算consine similarity，算的相似度就是最后要分类的logits，最后logits和ground truth做交叉熵loss，正样本是对角线上的元素，logits的维度是[n,n]，ground truth label是np.arange(n)，算两个loss，一个是image的，一个是text的，最后把两个loss加起来就平均。这个操作在对比学习中是很常见的，都是用的这种对称式的目标函数。

实验结果：

 

相比基于有监督模式训练的ResNet-50模型，clip模型在大部分数据集上具有更好的0样本迁移能力。但是有些数据集上表现却不如监督训练的模型，比如细分类任务（判断车的款式、花的种类、车的种类）、计数任务、距离计算任务。

Clip模型本质是分类模型，只能在有限的几个文本选项中做选择，而不像caption任务可以输出任意的文本。

Clip模型训练数据都是网络爬取的，缺乏数据的过滤和筛选，会存在社会歧视问题。

Clip模型从zero-shot任务迁移到few-shot任务，会出现反常的掉点。

Clip模型在电脑字体的ocr场景识别效果很好，迁移到手写数字场景效果却较差。