Auther: OpenAI
Source:arXiv:2103.00020
Code: openai/CLIP: Contrastive Language-Image Pretraining (github.com)
1 Intro
OpenAI收集了一个包含4亿text-image pair的数据集,在使用文本-图像对比学习的方式预训练网络,完全zero-shot迁移至超过30个数据集,其效果与之前有监督训练的模型差不多或更好,且泛化能力、鲁棒性更好。
在不使用ImageNet训练集的情况下,完全zero-shot可以达到Res50的效果。
CLIP打破了固定类别标签的范式。
CLIP的相关应用:StyleClip、ClipDraw等。
2 Approach
使用text-image pair进行对比学习,假设batchsize为N,那么就有N个正样本对, N 2 − N