【大模型系列】图文对齐(CLIP/TinyCLIP/GLIP)

1 CLIP(ICML2021，OpenAI)

参考资料：

• Paper：https://arxiv.org/pdf/2103.00020.pdf
• Github：https://github.com/openai/CLIP
• Blog：https://openai.com/research/clip

CLIP(Constrastive Language-Image Pre-training)：是openAI在2021年ICML上提出的zero-shot视觉分类预训练模型（CLIP: Learning Transferable Visual Models From Natural Language Supervision），在无微调的情况下能在多个下游任务上取得不错的迁移效果。CLIP有效地借助了自然语言的监督来学习视觉概念。

CLIP方法的特点：

• 利用互联网上存在的大量公开可用的无标注文本数据集，创建了一个包含4亿对的(图像-文本)的新数据集；
• 基于成对的图片-文本数据，训练了CLIP模型；
• 基于Transformer的统一视觉语言基础架构；

1.1 预训练阶段

网络输入的是图像-文字对，即每张图片配有一小句解释性的文字。将文字通过一个编码器（BERT）得到其向量表示，将图片也经过一个编码器（ViT）也得到一个向量表示，再将2个向量通过non-linear的projection head，投影到一个shared的空间，从而计算距离，然后再使用交叉熵计算损失。

假设一个batch输入N个图像-文本对：

• 经过编码器之后，图像的特征向量维度为Nxdi，文本的特征向量维度为Nxdt
• 两组特征向量分别经过一个非线性的映射空间，得到新的特征表达，维度都是Nxde
• 映射后的特征矩阵相乘，得到两两之间的距离矩阵NxN
• 沿着维度0计算交叉熵得到图像的loss，沿着维度1计算交叉熵得到文本的loss，两者的均值就是constrastive loss。

1.2 推理阶段

给定一张图片和一堆分类标签（如cat、dog等）

• 利用文本编码器得到类别标签的向量表示
• 利用图像编码器得到图像的向量表示
• 分别计算这些标签与图像的余弦相似度，最终相似度高的即为预测分类的结果

1.3 CLIP的下游应用

1.3.1 ViLD：zero-shot目标检测(2022, Google)

• Paper：https://arxiv.org/pdf/2104.13921.pdf
• 推理阶段：将基本类别和新增类别转化成文本送入Pre-trained Text Encoder产生text embedding(图中的绿色和蓝色部分)，再通过Mask R-CNN产生类别无关的region embeddings。然后将region embeddings和text embeddings进行点积然后再softmax归一化，取最大值的类别作为该区域的预测结果。
  

1.3.2 图像检索Image Retrival

从图像集中选择与文本embedding余弦相似度最高的。

1.3.3 HairCLIP：图像编辑Image Editing(2022，中科大)

• Paper：https://arxiv.org/pdf/2112.05142.pdf
• Github：https://zhuanlan.zhihu.com/p/480539824
• Blog：https://zhuanlan.zhihu.com/p/480539824
  

文章利用在大规模人脸数据集上预训练的StyleGAN作为的生成器。给定待编辑的真实图像，我们首先使用StyleGAN inversion方法得到其隐编码，然后我们的头发映射器根据隐编码和条件输入（发型条件、发色条件）预测隐编码相应的变化，最后修改后的隐编码将被送入StyleGAN产生对应的头发编辑后的图像。本质上是通过CLIP输出的embedding来指导图像的生成。

2 TinyCLIP(2023, 微软)

• Paper：TinyCLIP2023_ICCV_paper.pdf
• Blog：https://zhuanlan.zhihu.com/p/668468034
• 主要贡献
  • 提出了一种名为TinyCLIPdd额d多模态蒸馏方法，主要包含：亲和力蒸馏和权重继承；
  • 渐进式多阶段蒸馏方法；

2.1 亲和力蒸馏

损失包含4个部分：

• Student网络与gt的交叉损失：image-to-text和text-to-image
• Student与Teacher网络的交叉损失：image-to-text和text-to-image

$$\begin{gathered} A_{I2T}(i,j)=\frac{\exp \left(I_i\cdot T_j/\tau \right)}{{\sum }_{k\in \mathcal{B}}\exp \left(I_i\cdot T_k/\tau \right)} \\ {A}_{T2I}(i,j)=\frac{\exp \left(I_i\cdot T_j/\tau \right)}{{\sum }_{k\in \mathcal{B}}\exp \left(I_k\cdot T_j/\tau \right)} \\ {\mathcal{L}}_{\text{distill }}={\mathcal{L}}_{I2T}+{\mathcal{L}}_{T2I}=CE\left(A_{I2T}^s,A_{I2T}^t\right)+CE\left(A_{T2I}^s,A_{T2I}^t\right). \end{gathered}$$

2.2 权重继承

手动继承： 直接选择网络的前k层；
自动继承： 通过设置可学习mask识别权重重要性。引入一个全局稀疏约束来保证重要参数的数目符合压缩要求。在MHA引入head mask、在FFN引入神经元mask、在embeding层引入embed mask。

2.3 多段式渐进压缩

当较多的权重被去除后（70%），模型性能会有显著的下降，为了缓解这个问题，本文提出渐进式蒸馏。分成G个阶段进行，每个阶段在前Lm step里做亲和蒸馏和继承训练（根据step更新当前稀疏度p，然后计算亲和力蒸馏损失，然后当前稀疏度p和目标稀疏q计算稀疏损失，然后更新mask和权重），然后将不重要权重移除，Lm后续的训练用亲和训练。

3 GLIP: grounded language-image pre-training(2022，微软)

• Paper：https://arxiv.org/abs/2112.03857
• Github：https://github.com/microsoft/GLIP
• Blog：
  • https://blog.csdn.net/qq_43687860/article/details/129357440
  • https://developer.aliyun.com/article/1277345

主要贡献：GLIP统一了目标检测(Object detection)和定位任务(Grounding)，构建了一个统一的训练框架。目标检测任务是给定一张图输出bounding box，定位任务是给定图片和文本，根据文本找出目标。

算法效果：进行zero-shot测试，不管是给定几个类别(apple,person等)，还是给定一段话(there are some holes on the road)作为文本编码器的输入，GLIP模型都能从图像中找到对应目标的位置。

3.1 如何统一两个任务

目标检测与定位任务的目标函数都是由2个部分组成：分类损失和定位损失

$$L=L_{cls}+L_{box}$$

• 定位损失：直接计算GT与预测框的Loss
• 分类损失：
  • 目标检测任务：目标的region embedding通过分类头输出logits，再用nms筛选后与gt计算交叉熵；
  • 定位任务：文本编码特征text embedding与目标的region embeding计算相似性，再计算交叉熵；

如何统一：将目标检测object detection任务转化为定位grounding任务

• 将检测任务的标签在分散后拼接成一句话，从而可以将目标检测任务转化为伪短语定位任务
• 最后的loss的计算参考grounding任务

3.2 网络结构

• 计算得到文本特征和图像特征的相似度后，直接与GT计算对齐损失Alignment loss，定位损失直接与GT框计算；
• 中间的融合层(Fusion)是为了增加图像和文本之间的交互，让模型在浅层阶段就进行跨模态的学习；