码农知识堂 - 1000bd
  •   Python
  •   PHP
  •   JS/TS
  •   JAVA
  •   C/C++
  •   C#
  •   GO
  •   Kotlin
  •   Swift
  • 多模态论文阅读之VLMo


    VLMo泛读

    • Title
    • Motivation
    • Contribution
    • Model
    • Expertiments
    • Summary

    Title

    VLMo:Unified Vision_Langugae Pre-Training with Mixture-of-Modality-Experts

    Motivation

    1. CLIP和ALIGN都采用dual-encoder的方式分别编码图像和文本,模态之间的交互采用cosine similarity ,这种方法对retrieval tasks(检索任务)及其有效;但是如此shallow intersection between images and text is not enough to handle complex VL classfication tasks. In ViLT, find that CLIP gives a relatively low accuracy on visual resaoning(VR) task; 后来一系列的tasks,采用的fusion encoder 的方式,即一开始分来images and text 然后采用transformer的encoder 做cross-modal 的intersection,这样的architecture 弥补了dual encoder architecture的drawback,But it requires to jointly encode all possible image-text pairs to compute similarity scores for retrieval tasks. The quadratic time complexity leads to a much slower inference speed than the dual-encoder models models whos time complexity is linear. So, 有没**有一种融合上述两种架构的方法呢?**做检索任务的时候用 dual-encoder架构,做classfication的时候用fusion encoder,所以本文提出了Mixture-of-Modality-Experts
    2. VLMo的训练loss是image-text contrastive(ITC), image-text matching(ITM), masked Language modeling(MLM)和ALBEF是一样的。提出了一个stagewise的预训练方法分别vision 和NLP中的large-scale corpus:首先在vision上训练好,再预训练language experts on text-only data,最后将模型用于vision-language pre-training。

    Contribution

    1. 模型上的改进:Mixture-of-Modality-Experts
    2. 训练方式上的改进:分阶段模型预训练

    Model

    overview of the model

    1. 模型中所有的multi-head self-Attention都是share weights的
    2. 模型inference的时候很灵活,要做那个任务,切换到那个架构上就行。
    3. 分阶段训练策略
      stagewise pre-training

    Expertiments

    1. 比ALBEF性能好很多
    2. 在更大的数据集上训练,数据变得更好。

    Summary

    1. 就是把transformer里的encoder中的FFN分为了几个FFN
  • 相关阅读:
    Git 的原理与使用(上)
    3.webpack4初体验(webpack可以处理的文件)
    管网数字孪生应用3d场景展示「优势解析」
    el-table 列背景色渐变
    【C++系列P5】‘类与对象‘-三部曲——[对象&特殊成员](3/3)
    动态列排序
    Image Animation是什么
    贪心——122. 买卖股票的最佳时机 II
    黑猫带你学UFS协议栈第10篇:Unipro协议框架详解
    C++模板初阶
  • 原文地址:https://blog.csdn.net/qq_41825704/article/details/134206249
  • 最新文章
  • 攻防演习之三天拿下官网站群
    数据安全治理学习——前期安全规划和安全管理体系建设
    企业安全 | 企业内一次钓鱼演练准备过程
    内网渗透测试 | Kerberos协议及其部分攻击手法
    0day的产生 | 不懂代码的"代码审计"
    安装scrcpy-client模块av模块异常,环境问题解决方案
    leetcode hot100【LeetCode 279. 完全平方数】java实现
    OpenWrt下安装Mosquitto
    AnatoMask论文汇总
    【AI日记】24.11.01 LangChain、openai api和github copilot
  • 热门文章
  • 十款代码表白小特效 一个比一个浪漫 赶紧收藏起来吧!!!
    奉劝各位学弟学妹们,该打造你的技术影响力了!
    五年了,我在 CSDN 的两个一百万。
    Java俄罗斯方块,老程序员花了一个周末,连接中学年代!
    面试官都震惊,你这网络基础可以啊!
    你真的会用百度吗?我不信 — 那些不为人知的搜索引擎语法
    心情不好的时候,用 Python 画棵樱花树送给自己吧
    通宵一晚做出来的一款类似CS的第一人称射击游戏Demo!原来做游戏也不是很难,连憨憨学妹都学会了!
    13 万字 C 语言从入门到精通保姆级教程2021 年版
    10行代码集2000张美女图,Python爬虫120例,再上征途
Copyright © 2022 侵权请联系2656653265@qq.com    京ICP备2022015340号-1
正则表达式工具 cron表达式工具 密码生成工具

京公网安备 11010502049817号