【Vision-Language】VLMo: Unified Vision-Language Pre-Training with Mixture-of-Modality-Experts

链接：https://arxiv.org/pdf/2111.02358.pdf

简介

首先我们做一些背景介绍，什么是vision-language？
众所周知，目前人工智能涉及一个领域叫：多模态学习。简单而言，这个领域研究的重点在于如何将两种不同的东西联系起来，一起学习知识。比如：

• 不同媒介：图像和文字，视频和语音
• 不同语言：汉语和英语

因此 vision-language（VL）就是研究视觉与语言的联系，比如：给一张图片让计算机生成一段描述文字（图像描述生成，Image Caption）；给一张图片让计算机回答问题（视觉推理，Visual Reasoning）。
由于近年来Computer Vision（计算机视觉） 和 Natural Language Processing （自然语言处理） 利用机器学习发展迅猛，因此VL作为CV+NLP的领域也收到了巨大关注。

近年来，预训练-微调 模型在CV和NLP取得了惊人的成果，在VL领域也当然有所建树。
VL预训练模型从大规模的图像-文本对中学习通用的跨模态表示。主要方法有：图像-文本匹配、图像-文本对比学习、masked region classification/feature regression、word-region/patch alignment和掩码语言建模。
这些方法都是啥呢？简单介绍一下：

• 图像-文本匹配：度量一幅图像和一段文本的相似性
• 图像-文本对比学习：将样例与与它语义相似的例子（正样例）和与它语义不相似的例子（负样例）进行对比，希望通过设计模型结构和对比损失，使语义相近的例子对应的表示在表示空间更接近，语义不相近的例子对应的表示距离更远，以达到类似聚类的效果。
• masked region classification/feature regression：将一些感兴趣区域（RoI，Region of Interest） 遮盖，让计算机预测被遮盖的RoI标签/特征。
• word-region/patch alignment：将文本的Token与图像的RoI进行匹配。
• 掩码语言建模：比如BERT。

从模型结构上来说，有两种结构占据主流：

• 双编码器结构dual-encoder：2个encoder分别对图像和文本进行编码，然后对2个embedding计算余弦相似度。优点：适合检索任务，善于检索大量的文本与图片。缺点：余弦相似度的信息量太少，不能处理复杂的VL任务，比如视觉推理。
• 特征融合编码器fusion encoder：通过对所有图像-文本对编码，将图像和文本的representation都融合起来，通常使用多层Transformer。优点：善于解决分类问题。缺点：因为要encode所有图像-文本对，时间复杂度大，不善于解决检索问题。

那么一个直觉的想法是：能不能融合这两个架构的优点呢？
本文正是出于对此的思考，提出了统一视觉语言预训练模型(VLMo)。VLMo可以作为双编码器去做检索任务，也可以作为融合编码器去做分类任务。
VLMo的核心是Mixture-of-Modality-Experts(MOME) Transformer，就是将Transformer的前馈网络替换成了针对不同任务的网络（称为模态专家），在处理具体任务时，可以切换到相应的专家。
专家处理的是每个任务特有的知识，相应的，我们还要有一个机制来处理VL的普遍知识。因此，作者引入了跨模态共享的self-attention。

具体来说，MOME Transformer包含三个模态专家，即图像编码视觉专家、文本编码语言专家和图像-文本融合视觉语言专家。
模型可以使用切换机制和共享参数机制来实现不同的目的：文本编码器、图像编码器和图像-文本融合编码器。

在预训练阶段，VLMo会在在图像-文本对比学习、图像-文本匹配和掩码语言建模三个预训练任务上共同训练。流程：

1. 首先，利用BEIT中提出的遮盖图像建模，让MOME的视觉专家和self-attention只在图像数据上进行预训练；
2. 然后，利用掩码语言建模，只让语言专家在文本数据上进行预训练。
3. 最后，利用该模型来初始化视觉语言的预训练。

预训练结束后就可以在特定任务上微调了。
针对检索任务，VLMo可以调整成双编码器结构；针对分类任务，VLMo可以调整成特征融合编码器结构。
作者将VLMo运用于视觉语言检索和分类任务。实验结果表明；

• 在检索任务上，VLMo比融合编码器的性能更好，同时推理速度要快得多。但不如双编码器。
• 在视觉问答(VQA)和视觉推理的自然语言(NLVR2)方面，VLMo取得了SOTA的结果。

VLMo

VLMo的整体结构和训练流程如上。左边是VLMo的结构，右边是按顺序的三个预训练任务。
我们来逐一介绍。
我们注意到图片和文本要变成embedding才能输入进VLMo。所以首先是如何生成embedding。

Input Representations

我们的数据大部分都是图像-文本对，而VLMo有3个专家，因此对一个图像-文本对，我们将其分别编码为图像embedding、文本embedding和图像-文本embedding。

Image Representations

对于图像表示，将$v\in R^{H\times W\times C}$的二维图像分割并reshape为$N=HW/P^2$个patch，$v^p\in R^{N\times (P^2}$