图文结合-ViLBERT

本文介绍一篇图文结合的经典论文，论文发布于2019年

论文信息

论文题目：

ViLBERT: Pretraining Task-Agnostic Visiolinguistic Representations for Vision-and-Language Tasks

论文地址：

https://arxiv.org/abs/1908.02265

代码地址：

https://github.com/facebookresearch/vilbert-multi-task

主要内容

1、模型结构

ViLBERT作为一个经典的双流图文结合模型，其结构如下：

从上面的结构图可以看出，对于图像，作者提取了很多的region，并且在图片序列的最前面加入了特殊token <IMG>，其对应的文本则是正常的处理，并存在<CLS>、<SEP>两个特殊的token。接着，在双流结构中，文本侧比图片侧多一个transformer模块；然后，在交互层，先经过一个co-trm模块，才是标准的trm模块；最后，输出各自的文本和图片编码。

（1）co-attention trm layer

其中co-trm模块就是对两个trm模块进行了交互，如下图所示：

可以看到，其实现方式就是将文本和图片各自的transformer中的(k,v)进行交换，从而实现模态之间的交互。

作者实验了不同的co-trm层对模型的影响，实验结果如下：

co-attn的代码实现片段为：

        attention_scores1 = torch.matmul(query_layer2, key_layer1.transpose(-1, -2))attention_scores1 = attention_scores1 / math.sqrt(self.attention_head_size)attention_scores1 = attention_scores1 + attention_mask1# if use_co_attention_mask:# attention_scores1 = attention_scores1 + co_attention_mask.permute(0,1,3,2)# Normalize the attention scores to probabilities.attention_probs1 = nn.Softmax(dim=-1)(attention_scores1)# This is actually dropping out entire tokens to attend to, which might# seem a bit unusual, but is taken from the original Transformer paper.attention_probs1 = self.dropout1(attention_probs1)context_layer1 = torch.matmul(attention_probs1, value_layer1)

计算context_layer2同理。

（2）image representations

作者通过从预训练的目标检测网络中提取边界框及其视觉特征，来生成图像特征区域。与文本不同，region没有自然顺序，因此在对region进行位置编码时，作者构建了一个5维向量（左上角、右下角坐标，和region覆盖的区域比例），然后将其投影后，使其与特征有相同的尺寸，最后与特征相加。

图片embedding的代码实现如下：

class BertImageEmbeddings(nn.Module):"""Construct the embeddings from image, spatial location (omit now) and token_type embeddings."""def __init__(self, config):super(BertImageEmbeddings, self).__init__()self.image_embeddings = nn.Linear(2048, config.hidden_size)# self.position_embeddings = nn.Embedding(config.max_position_embeddings, config.hidden_size, padding_idx=0)self.token_type_embeddings = nn.Embedding(config.type_vocab_size, config.hidden_size, padding_idx=0)self.image_location_embeddings = nn.Linear(5, config.hidden_size)# self.LayerNorm is not snake-cased to stick with TensorFlow model variable name and be able to load# any TensorFlow checkpoint fileself.LayerNorm = BertLayerNorm(config.hidden_size, eps=1e-12)self.dropout = nn.Dropout(config.hidden_dropout_prob)def forward(self, input_ids, input_loc, token_type_ids=None):seq_length = input_ids.size(1)# position_ids = torch.arange(seq_length, dtype=torch.long, device=input_ids.device)# position_ids = position_ids.unsqueeze(0).expand_as(input_ids)if token_type_ids is None:token_type_ids = torch.zeros_like(input_ids)image_embeddings = self.image_embeddings(input_ids)# position_embeddings = self.position_embeddings(position_ids)token_type_embeddings = self.token_type_embeddings(token_type_ids)loc_embeddings = self.image_location_embeddings(input_loc)# embeddings = words_embeddings + position_embeddings + token_type_embeddingsembeddings = image_embeddings + token_type_embeddings + loc_embeddingsembeddings = self.LayerNorm(embeddings)embeddings = self.dropout(embeddings)return embeddings

可以看到，与文本的求解基本一致。

不过在求解图片的self-attn的时候，作者加入了下面这段代码：

        if self.dynamic_attention:self.dyLinear_q = nn.Linear(config.hidden_size, self.all_head_size)self.dyLinear_k = nn.Linear(config.hidden_size, self.all_head_size)if self.dynamic_attention:pool_embedding = (txt_embedding * txt_attention_mask).sum(1)pool_embedding = pool_embedding / txt_attention_mask.sum(1)# given pool embedding, Linear and Sigmoid layer.gate_q = 1 + torch.sigmoid(self.dyLinear_q(pool_embedding))gate_k = 1 + torch.sigmoid(self.dyLinear_k(pool_embedding))mixed_query_layer = mixed_query_layer * gate_q.unsqueeze(1)mixed_key_layer = mixed_key_layer * gate_k.unsqueeze(1)

不是很理解为什么叫“动态注意力”，不过看其求解方法，应该是引入了文本的语义表征，然后用文本的语义表征对图片的qk进行了一个加权，或者说语义的筛选。这是图片self-attn与文本self-attn的唯一不同。

2、预训练

作者通过两个任务来训练模型，其一：通过未被mask的文本和图片来预测被mask的文本和图片；其二：预测文本与图片是否对应。

如下图所示：

对于任务一，被masked图片的特征，90%的时间都被置零，10%的时间保持不变，被masked文本则与bert中的一致。该任务不是直接回归被masked的特征值，而是预测相应图像区域在语义上的分布。并使用相同的预训练检测模型对该region的输出分布作为标签，对任务进行监督，最小化两个分布之间的KL散度。这做法反应了，语言通常只能识别视觉内容的高级语义，而不太可能重建准确的图像特征。并且，作者认为，使用回归损失，可能难以平衡图像和文本被mask而产生的损失的权重。

对于任务二，其输入形式为：
${IMG,v_1,...,v_T,CLS,w1,...,w_T,SEP\}$
使用 $h_{IMG}$ 和 $h_{CLS}$ 来分别表示图片和文本，然后计算二者的乘积，并通过线性层，实现二分类，判断图像与文本是否对齐。

对于文本侧，作者使用bert对其进行初始化，为节省训练时间，使用的base版。使用Faster R-CNN提取图片的区域特征，作者选择10-36个高分框（检测概率超过置信度阈值的区域），对于每一个选择的i， $v_i$ 被定义为该区域的平均池化卷积特征。视觉侧的transformer和co-attn有1024的隐藏层大小和8个注意力头。

作者对模型的结构以及预训练任务的有效性进行了实验，并将模型的结果与历届sota模型进行了对比，实验结果如下：

作者也对预训练时，数据集的大小进行了实验，结果如下：

可以看到，训练集的大小基本只起正向作用。

下图是模型经过预训练，但没经过微调时，图像检索的效果：

3、下游

作者进行实验的下游任务有：

visual question answering(VQA)

将 $h_{IMG}$ 和 $h_{CLS}$ 进行逐元素乘积，并接上两层mlp，映射到可能的3129个答案上。作者将VQA作为一项多标签分类任务，根据每个答案与10个人类答案的相关性，为每个答案分配一个软目标分数，然后以软目标分数，通过二元交叉熵损失训练。

visual commonsense reasoning(VCR)

作者将问题和每个可能的响应concat，形成了四个不同的文本输入，并将每个文本与图像一起传入ViLBERT。然后，连接一个线性层来预测每队输入的分数

grounding referring expressions

通过计算与真实框的IOU并以0.5为阈值，来给每个区域进行标记。最后，预测每个区域的匹配得分。

caption-based image retrieval

基于标题的图像检索，在给定描述其内容的标题的情况下，识别图像的任务。负样本通过随机替换标题、随机替换图片或者从目标图片的100个最近邻样本中挑选难负样本。计算每个标题-图片对的对齐分数。作者为了提高该任务的效率，将进入交叉层之前的文本表征保存复用。

总结

这篇文章发的比LXMERT
还要早，应该可以算双流模型的开篇之作。本文在文本侧与bert如出一辙，在图片侧大致结构基本一致，但是在trm层数上会有不同。看源码和论文可以了解到，作者在图片层数和交叉层层数的选取上做了很多实验。同时论文中提到的co-trm，说的很高大上，设计一个独立的模块，看到最后其实就是将代码中对应的kv位置互换就可以，也许所有的多模态交互层都是在trm结构上的小改吧。

看到这篇论文的代码时，感觉非常熟悉，之前的LXMERT提供的源码与其相似度很高，不过都是在共同模块上的相同，感觉做双流模型可以直接在这版代码上进行魔改就可以了。

【往期内容】

图文结合-LXMERT

图文结合-UNITER

图文结合-ViLT

图文结合-SOHO

图文结合-imageBERT