Pixel-BERT: Aligning Image Pixels with Text by Deep Multi-Modal Transformers
2020-12-23 11:54:13
Paper: https://arxiv.org/pdf/2004.00849
预训练模型如火如荼，多模态预训练也没有掉队。其中，image-language 领域，如何将这两者联合学习是一个较为火热的方向。本文提出一种基于跨模态 transformer 的模型，来进行联合特征的学习。整体方法示意图如下：
从上图可以看出，作者用 transformer 模型对 language 进行编码。同时，用 CNN 抽取 图像的特征，然后输入到一个特征映射模块中。该模块的特色是，随机的从中扣取 local feature patch，以防止过拟合。然后 language 和 vision feature 组合在一起，放到 transformer 模型中。本文采用两种训练损失，即：图像文本匹配的训练方法 和 掩模预测的训练方法。
从计算资源来看，本文在 64 张 V100 上进行了训练。一般人，玩不起。。。
训练方法上来说，对 CNN 用 SGD, 对 Transformer 部分用 AdamW 分别进行优化。
