一个模型搞定图像标注、读图问答两件事，VQA准确率逼近人类水平

明敏发自凹非寺
量子位 | 公众号 QbitAI

现在，丢给AI一张图，它不仅能看图说话，还能应对人们提出的刁钻问题了。

比如，给它看一张经典卷福照。

它便能回答出：

一个穿着西服、正在比划手势的男人。

那么图中男人的眼睛是什么颜色的呢？

蓝色。

我定睛一看，还真是如此！

这就是视觉-语言领域的新成果：BLIP （Bootstrapping Language-Image Pre-training）。

它突破性地将过去往往只能单独执行的视觉-文本生成、视觉-文本理解两种任务整合在了一起，让AI可以在看图说话和视觉问答两种模式来回切换。

并且在各种任务上的表现也都优于过去SOTA方法，VQA准确率超过78%，逼近人类基准线（80.83%）。

话不多说，就让我们来试玩一下，看看这个模型究竟有多厉害。

Demo试玩

BLIP可以提供两种功能。

第一是描述图片的内容，第二是回答有关图片的提问。

上传好图片后，便可从图片下方的模式中任选一种进行试玩。

首先我们来看看它看图说话的水平如何。

上传了一张有小孩、猫、狗多种元素的图片后，模型输出的内容为：

一个小男孩和一只猫、一只狗一起趴在地上。

再提问试试看：

图中有鱼吗？

BLIP：NO.

可以看到，BLIP对图片的理解很到位，那么再多换几张图片呢？

当我们上传蒙娜丽莎的画像后，模型很轻松地辨别出来了这是一张女人的画像，并非是一张照片。

即便是上传一张恶搞的奥特曼图片，也没有难倒BLIP，并且还给出了一个一本正经的回答：

一个男人端着一个插有蜡烛的蛋糕。

甚至问它：蛋糕是在男人的左手上还是右手上？BLIP都能给出正确的答案：

右手。

这波操作属实是6到我了。

那么它背后的原理是什么呢？我们一起来看。

学习带噪图像-文本对

BLIP这次主要做的工作有两方面。

第一，它使用了一个多任务模型（MED），将多种任务预训练整合在了一起。

从框架图中看到，MED主要包括3个部分：

单峰编码器，可以用图像-文本对比损失（ITC）训练，让视觉和文本表征对齐。

基于图像的文本编码器，可以用传统的交叉注意层来模拟视觉-语言信息的转换，并通过图像-文本匹配损失（ITM）来进行训练，从而来区分正、负图像-文本对。

基于图像的文本解码器，可以将双向自注意力层转换为因果自注意力层，并且与编码器共享同一个交叉注意力层和前馈网络。解码器通过语言建模训练（LM）来输出文字标注。

由此，该模型可以执行图像-文本对比、图像-文本匹配和图像语言生成任务。

第二方面，研究人员提出了一种新型的数据自举法（CapFilt）。它可以让模型从带有噪声的图像-文本对中学习。

CapFilt中主要包含标注器 （captioner）和过滤器 （filter）两个部分。

其中，标注器用来生成描述图像的文本，过滤器将带有噪音的结果排除掉。

比如下面的几个例子，就是过滤器将错误的答案驳回。

研究表明，标注器列出的文本越多样化，最后的效果越好。

与此前取得SOTA的方法相比，BLIP在图像-文本检索任务上recall@1平均提升了2.7%；在看图生成文字上，CIDEr提升2.8%，视觉问答方面分数提升了1.6%。

通讯作者为清华校友

此项研究的通讯作者为许主洪 （Steven C.H. Hoi）。

他目前也任职于Salesforce亚洲研究院。此前为新加坡国立大学信息系统学院教授。

2002年，许主洪在清华大学计算机系获得学士学位。于2004年、2006年先后在香港大学计算机科学与工程系获得硕士、博士学位。

2019年当选IEEE Fellow。主要研究领域有计算机视觉、NLP、深度学习等。

第一作者为Junnan Li。

他目前是Salesforce亚洲研究院高级研究科学家。

本科毕业于香港大学，博士毕业于新加坡国立大学。

研究领域很广泛，包括自我监督学习、半监督学习、弱监督学习、迁移学习、视觉-语言。

其余两位作者也均为华人，分别是Dongxu Li和Caiming Xiong。

论文地址：
https://arxiv.org/abs/2201.12086

试玩地址：
https://huggingface.co/spaces/akhaliq/BLIP

GitHub地址：
https://github.com/salesforce/BLIP