关注公众号,发现CV技术之美
▊ 写在前面
预训练的视觉语言BERT的目标是学习结合两种模态的表征。在本文中,作者提出了一种基于跨模态输入消融诊断方法(cross-modal input ablation) 来评估这些模型实际上整合跨模态信息的程度。
这个方法完全或选择性地消融了来自一种模态的输入,并评估另一种模态上的模型预测性能 。模型的性能是通过反映特定于模态的预训练任务来衡量的(比如,对于文本任务是masked language modelling,MLM)。
理论上,当其中一个模态的输入缺失时,在两种模态上已经学习好的跨模态表示模型的表现会变差。在实验中,作者发现,相比于消融文本信息来预测视觉信息,消融视觉信息来预测文本信息相对来说要困难得多,这表明这些模型的跨模态不是对称的 。
▊ 1. 论文和代码地址
Vision-and-Language or Vision-for-Language? On Cross-Modal Inflfluence in Multimodal Transformers
论文:https://arxiv.org/abs/2109.04448
代码:https://github.com/e-bug/cross-modal-ablation(未开源)
▊ 2. Motivation
视觉语言BERT模型扩展了BERT架构,以生成多模态输入的跨模态上下文表示。当对一系列下游任务进行微调时,这些模型已被证明是非常有效的。然而,尽管它们具有多功能性,但对于这些模型如何使用跨模态信息,我们知之甚少
它们对语言任务的学习表征是否包括视觉信息(vision-for-language),反之亦然(language-for-vision)? 目前,我们很难准确地分析这些模型如何使用跨模式信息。
在本文中,作者引入了一种跨模态输入消融(cross-modal input ablation) 方法来量化预训练的模型学习使用跨模态信息的程度。本文的方法不需要额外的训练,通过消融一个模态的信息来预测另一个模态的输出,比较不同消融程度对结果的变化,来探究模态之间的相互作用。