機器之心發(fā)布

來自中科大、微軟亞研院的研究者們提出了一種新型的通用視覺-語言預訓練模型（Visual-Linguistic BERT，簡稱 VL-BERT），該模型采用簡單而強大的 Transformer 模型作為主干網(wǎng)絡，并將其輸入擴展為同時包含視覺與語言輸入的多模態(tài)形式，適用于絕大多數(shù)視覺-語言下游任務。

為了讓 VL-BERT 模型利用更為通用的特征表示，作者在大規(guī)模圖片描述生成數(shù)據(jù)集 ConceptualCaptions 中進行 VL-BERT 的預訓練，實驗證明此預訓練過程可以顯著提高下游的視覺-語言任務的效果，包含視覺常識推理、視覺問答與引用表達式理解等。值得一提的是，在視覺常識推理排行榜中，VL-BERT 取得了當前單模型的最好效果。

適用于下游任務的通用特征表示預訓練是深度網(wǎng)絡成功的標志之一。在計算機視覺領(lǐng)域，深度網(wǎng)絡在 ImageNet 數(shù)據(jù)集進行圖像分類的預訓練過程，被發(fā)現(xiàn)可廣泛提高多種圖像識別任務的效果。在自然語言處理領(lǐng)域中，Transformer 模型在大規(guī)模語料庫中使用語言模型進行預訓練的過程，也被證明可廣泛提高多種自然語言處理任務的效果。

但對于計算機視覺和自然語言處理領(lǐng)域交叉的任務，例如圖像標題生成、視覺問答、視覺常識推理等，缺少這種預訓練的通用多模態(tài)特征表示。

一般來說，之前的視覺-語言模型分別使用計算機視覺或自然語言處理領(lǐng)域中的預訓練模型進行初始化，但如果目標任務數(shù)據(jù)量不足，模型容易過擬合從而損失性能。并且對于不同的視覺-語言任務，其網(wǎng)絡架構(gòu)一般是經(jīng)過特殊設計的，由此很難通過視覺-語言聯(lián)合預訓練的過程幫助下游任務。

由此，在本文中，提出了一種可廣泛應用于視覺-語言任務的預訓練通用特征表示，稱為 Visual-LinguisitcBERT，簡稱 VL-BERT，其架構(gòu)如下圖所示：

VL-BERT 的主干網(wǎng)絡使用 TransformerAttention 模塊，并將視覺與語言嵌入特征作為輸入，其中輸入的每個元素是來自句子中的單詞、或圖像中的感興趣區(qū)域（Region of Interests，簡稱 RoIs）。在模型訓練的過程中，每個元素均可以根據(jù)其內(nèi)容、位置、類別等信息自適應地聚合來自所有其他元素的信息。在堆疊多層 TransformerAttention 模塊后，其特征表示即具有更為豐富的聚合與對齊視覺和語言線索的能力。

為了更好地建模通用的視覺-語言表示，在大規(guī)模視覺-語言語料庫中對 VL-BERT 進行了預訓練。采用的預訓練數(shù)據(jù)集為圖像標題生成數(shù)據(jù)集，Conceptual Captions，其中包含了大約 330 萬個圖像標題對。

VL-BERT 的預訓練主要采用三個任務：a） 屏蔽語言模型（Masked Language Modeling），即隨機屏蔽掉語句中的一些詞，并預測當前位置的詞是什么；b） 屏蔽 RoI 分類（MaskedRoIClassification），即隨機屏蔽掉視覺輸入中的一些 RoIs，并預測此空間位置對應 RoI 的所屬類別；c） 圖像標題關(guān)聯(lián)預測（Sentence-Image Relationship Prediction），即預測圖像與標題是否屬于同一對。

在預訓練結(jié)束后，使用微調(diào)來進行下游任務的訓練。本文中主要在三個視覺-語言下游任務中進行微調(diào)，即視覺常識推理（VisualCommonsenseReasoning）、視覺問答（VisualQuestionAnswering）與引用表達式理解（ReferringExpressionComprehension），下面將分別介紹。

視覺常識推理任務即給定圖片與相關(guān)問題，機器不僅需要回答問題，還需要提供理由來證明答案的正確性。此任務（Q-》AR）被分解為兩個子任務，即視覺問答（Q-》A，給定圖片與問題，輸出正確答案），以及視覺推理（QA-》R，給定圖片、問題與答案，輸出正確的理由）。

下面以視覺問答子任務為例，此任務的輸入為問題、答案與圖像的 RoIs，并預測此答案是否為正確答案。除此之外，作者發(fā)現(xiàn)微調(diào)時增加與預訓練類似的 RoI 分類損失也會進一步提升性能，如下：

視覺問答任務即給定圖片，回答與圖片輸入相關(guān)的問題。由此模型的輸入即為問題與圖像，基本元素為單詞或 RoI，最終對答案進行預測，如下：

引用表達式理解任務是使用給定的引用表達式來定位圖像中的相關(guān)對象，由此輸入為查詢（引用表達式）與圖片中的 RoIs，并預測哪個 RoI 為查詢輸入的引用，如下：

下面將介紹論文中的一些主要實驗結(jié)果：

a）在視覺常識推理（Visual Commonsense Reasoning）任務中，與當前最好方法的結(jié)果比較如下：

b）在視覺問答（Visual Question Answering）任務中，與當前最好方法的結(jié)果比較如下：

c）在引用表達式理解（Referring Expression Comprehension）任務中，與當前最好方法的結(jié)果比較如下：