微軟亞研提出VL-BERT，現(xiàn)取得了當前單模型的最好效果

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(yù)訓(xùn)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(luò)，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(wù)。

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(yù)訓(xùn)練，實驗證明此預(yù)訓(xùn)練過程可以顯著提高下游的視覺-語言任務(wù)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(wù)的通用特征表示預(yù)訓(xùn)練是深度網(wǎng)絡(luò)成功的標志之一。在計算機視覺領(lǐng)域，深度網(wǎng)絡(luò)在 ImageNet 數(shù)據(jù)集進行圖像分類的預(yù)訓(xùn)練過程，被發(fā)現(xiàn)可廣泛提高多種圖像識別任務(wù)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(yù)訓(xùn)練的過程，也被證明可廣泛提高多種自然語言處理任務(wù)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(wù)，例如圖像標題生成、視覺問答、視覺常識推理等，缺少這種預(yù)訓(xùn)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(yù)訓(xùn)練模型進行初始化，但如果目標任務(wù)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(wù)，其網(wǎng)絡(luò)架構(gòu)一般是經(jīng)過特殊設(shè)計的，由此很難通過視覺-語言聯(lián)合預(yù)訓(xùn)練的過程幫助下游任務(wù)。

由此，在本文中，提出了一種可廣泛應(yīng)用于視覺-語言任務(wù)的預(yù)訓(xùn)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(luò)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(xùn)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(yīng)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(yù)訓(xùn)練。采用的預(yù)訓(xùn)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(yù)訓(xùn)練主要采用三個任務(wù)：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(yù)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(yù)測此空間位置對應(yīng) RoI 的所屬類別；c） 圖像標題關(guān)聯(lián)預(yù)測（Sentence-Image Relationship Prediction），即預(yù)測圖像與標題是否屬于同一對。

在預(yù)訓(xùn)練結(jié)束后，使用微調(diào)來進行下游任務(wù)的訓(xùn)練。本文中主要在三個視覺-語言下游任務(wù)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(wù)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(wù)（Q-》AR）被分解為兩個子任務(wù)，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(wù)為例，此任務(wù)的輸入為問題、答案與圖像的 RoIs，并預(yù)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(yù)訓(xùn)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(wù)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(yù)測，如下：

引用表達式理解任務(wù)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(yù)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(wù)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(wù)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(wù)中，與當前最好方法的結(jié)果比較如下：