ICML 2023 | 一个模型解决30+任务阿里达摩院提出模块化多模态模型mPLUG-2

最新推荐文章于 2024-10-31 17:05:07 发布

我爱计算机视觉

最新推荐文章于 2024-10-31 17:05:07 发布

阅读量377

点赞数

文章标签：人工智能深度学习计算机视觉

原文链接：https://mp.weixin.qq.com/s?__biz=MzIwMTE1NjQxMQ==&mid=2247613777&idx=1&sn=0afd98662721cb17da2c1ae774188361&chksm=96f14f05a186c6132a15e3388bda989c50f5f3f265ebe816c922ca8891042a006be0929c87c5&scene=126&sessionid=0

版权

关注公众号，发现CV技术之美

近年来，视觉、语言和多模态预训练逐渐呈现出统一的趋势。对于多模态基础模型，我们希望其不仅能够处理多模态相关任务，还希望其在单模态任务上也具有优异的性能。然而，现有的多模态模型，往往不能很好的平衡模态协作(collaboration)和模态纠缠(entanglement)的问题，从而限制了在各种单模态及跨模态下游任务上的性能。

为了解决这一问题，阿里达摩院的研究者提出模块化的多模态基础模型mPLUG-2，能够处理文本、图像和视频等多种模态输入，在30+多模态及单模态任务上，相比以往采用同等数据和模型规模的方法取得了领先或相近的性能，并在VideoQA和VideoCaption等任务上，取得了超越Flamingo、VideoCoCa等超大规模模型的SOTA表现。

该工作已被机器学习顶级会议ICML 2023接收，此外，mPLUG-Owl 是阿⾥巴巴达摩院 mPLUG 系列的最新工作，延续了 mPLUG 系列的模块化训练思想，把 LLM 升级为一个多模态大模型，论文和代码地址如下：

论文地址：https://arxiv.org/pdf/2302.00402.pdf

mPLUG-2地址：https://github.com/X-PLUG/mPLUG-2

mPLUG-Owl地址：https://github.com/X-PLUG/mPLUG-Owl

▌方法概览

近期，Transformer结构的成功应用，使得语言、视觉和多模态预训练呈现出大融合的趋势。以Flamingo为代表的多模态基础模型，为多模态数据共享单一的建模网络，并采用序列生成框架来统一多种任务和模态，以此来利用模态协作的信息。然而，由于不同模态涉及到的任务的巨大差异，这种策略将面临模态纠缠的问题，多个模态之间可能会相互干扰。以往的单模块基础模型，难以平衡模态协作的收益和模态纠缠的干扰，从而限制了下游任务上的性能。

为此，阿里达摩院研究团队在mPLUG-2这项工作中，引入了一种新的多模态基础模型的统一范式。如图所示，mPLUG-2采用模块化的网络设计，来平衡模态协作和模态纠缠。研究者设计了特定的共享功能模块以鼓励模态协作，同时保留特定于模态的模块以缓解模态纠缠问题。基于模块化的设计，不同的模块可以灵活地选取和组合，以适应不同的单模态及多模态的理解和生成任务。下表展示了mPLUG-2支持的下游任务，可以看到相比以往的方法，mPLUG-2能够处理更多类型的跨文本、图像和视频的下游任务。

▌模型细节

如图所示，mPLUG-2的主体结构包含文本编码器、视觉编码器、通用层模块、多模态融合模块以及一个共享的解码器模块。作者首先利用文本和视觉编码器，分别从文本、图像/视频中提取相应模态的信息，再通过参数共享的通用层模块(Universal Layers Module)将不同模态映射到共享的语义空间中。对于多模态任务，融合模块(Fusion Module)被用来产生视觉-语言融合的跨模态表征。最终，这些单模态和跨模态表征被送入一个共享的解码器模块中，以应对不同种类的生成任务。下面对作者设计的双视觉编码器和通用层模块做详细的介绍。

（1）双视觉编码器

为了提取图像、视频等视觉模态的信息，作者提出双视觉编码器。为了缓解视频时空建模中序列长度过大导致的学习困难问题，将视频分解为空间和时间表示，如图(b)所示，利用Transformer的自注意力层和前馈层进行空间建模，并针对视频输入，提出一种新颖的局部时序建模模块。该模块将视频特征在通道维度分组，对不同组的特征应用不同的时序建模参数(如时序卷积)，从而在不同的表征子空间中学习更为丰富的时序特征。此外，空间和时间信息的解耦，使得双视觉编码器能够实现图像和视频的参数共享，从而更加高效地学习空间和时间表征。

（2）通用层模块

为了使模型能够从不同模态数据的协作中受益，作者提出通用层模块使得视觉和语言模态共享语义空间。如图(c)所示，为了降低通用层的计算复杂度，作者设置固定数量的视觉query，并将来自双视觉编码器的图像或视频特征作为交叉注意力层的输入。在每个通用层中，视觉query和文本特征通过共享参数的自注意力层来对齐语义，然后视觉query通过交叉注意力从原始视觉特征中提取视觉信息，之后视觉query和文本特征通过共享参数的前馈层进行特征变换。训练阶段，mPLUG-2使用掩码语言恢复(MLM)、视觉-文本对比学习(VLC)和视觉-文本匹配(VLM)等预训练任务，并利用基于指令的语言模型损失来统一各种生成任务。推理阶段，mPLUG-2的模块化设计，使其能够针对不同的单模态和跨模态任务选择不同的模块组合。