Transformer模型的多模態學習應用

導讀

隨著Transformer在視覺中的崛起，Transformer在多模態中應用也是合情合理的事情，甚至以后可能會有更多的類似的paper。先來解釋一下什么多模態，模態譯作modality，多模態譯作multimodel。多模態學習主要有一下幾個方向：表征、轉化、對齊、融合和協同學習。人就是生活在一個多模態的世界里面，文字、視覺、語言都是不同的模態，當我們能夠同時從視覺、聽覺、嗅覺等等來識別當前發生的事情，實際上我們就是在做了多模態的融合。而Transformer is All You Need這篇論文（從Attention is All You Need開始大家都成了標題黨，X is All You Need）是屬于協同學習（Co-learning）的范疇，將多個不同的tasks一起訓練，共享模型參數。

背景介紹

這篇論文出自Facebook AI Research，文章提出了UniT，Unified Transformer model，用一個Transformer模型去同時學習多個不同的tasks，甚至這些tasks的領域都可能不同，從目標檢測到語言理解，一共訓練了7個tasks8個datasets，但是各個beachmark上都取得了不錯的成績。Transformer在各種不同的領域中都取得了極大的成功，例如NLP、images、video和audio，不僅在以上領域表現出色，甚至在一些vision-and-language reasoning的tasks上，比如VQA（visual question answering）也有很強的表現。但是現有的一些多模態的模型基本都是關注某一個領域的不同task或者就是用將近N倍的參數去處理N個不同的領域問題。在17年谷歌提出的《One Model To Learn Them All》［1］中也使用了Transformer encoder-decoder的架構，但是不同的是，它對于每個task都需要一個與之對應的decoder，如下圖。類似的還有MT-DNN［2］和VILBERT-MT［3］等等。

UniT： One transformer to learn them all

用單個模型去訓練跨模態的任務，UniT包括對于不同的task對于的encoder，因為不同模態的數據需要經過處理才能放到同一個網絡，就和人獲得不同模態的信息需要不同的器官一樣。然后這些信息會經過一個共享decoder，最后各個task會有對應的簡單的head進行最后的輸出。UniT有兩種不同模態的輸入：圖像和文本。也就是說只需要兩個對應的encoder就可以訓練7種不同的任務，可以形象地比喻這個網絡有兩個不同的器官（Image encoder和Text encoder）。

Image encoder一些視覺相關的task，比如目標檢測、視覺問答等都需要處理圖像，在UniT中，圖像先經過一個卷積的backbone，然后再用transformer對特征進行編碼，進一步得到編碼后的向量。圖像的處理與DETR［4］類似。xv=B（I），xv是經過卷積神經網絡B得到的特征圖，B采用了ResNet-50，并在C5中使用了空洞卷積。再用encoder Ev得到圖像編碼的向量，這里使用encoder進行編碼時為了區別不同的task加入了task embedding以進行區分，和IPT中的作法類似，因為不同的task它可能關注的點不一樣。

Text encoder對于文本的輸入，采用BERT來進行編碼，BERT是一個在大規模語料庫上預訓練好的模型。給定輸入的文本，和BERT處理一樣，先將文本編碼成tokens的序列{w1， · · · ， wS}，和image encoder一樣，還需要加入一個wtask來區分不同的task。在實現中，采用了embedding維度是768，12層的BERT。

Domain-agnostic UniT decoder領域不可知的解碼器，和image和text encoder不一樣的是encoder是針對某一特定領域的，但是encoder的輸入可以是來自與image encoder或者是text encoder，所以是領域不可知。對于純視覺、純文本和視覺文本混合的task，encoder的輸入是不一樣的，純視覺和純文本的task的情況下，decoder的輸入就是它們各自encoder的輸出，但是對于視覺文本的task，decoder的輸入是兩個encoder輸出的拼接，這很好理解，因為需要VQA這種同時會有image和text的輸入。

Task-specific output heads每個task可能最后的輸出差別很大，因此最后使用對應的prediction head來進行最后的預測。對于檢測任務來說，最后decoder產生的每個向量都會produce一個輸出，輸出包括類別和bounding box。當然，對于不同的task，decoder輸入的query是不同的。

Experiments

下圖是所用到的8個不同的數據集以及上面的測試結果，可以看到不同任務的區別還是很大的。

根據下圖的對比，其實UniT有些task離SOTA還是差的有點遠，所以這個領域還是有很大的挖掘的空間的。

Conclusion

在這篇論文中，我們可以看到，Transformer確實是可以來處理不同的領域的，跨領域學習確實是個很大的難題，那么Transformer能否成為多模態領域發展的一個跳板呢？我們拭目以待。

Reference論文鏈接：https://arxiv.org/abs/2102.10772
編輯：lyn