谷歌新推出了弱监督看图说话模型 SimVLM，能够轻松实现零样本学习任务迁移。

对于一般的视觉语言预训练模型，训练数据集中要求包含大量精准标签而模型的任务迁移，则需要针对特定任务重新进行数据集的标签标注

总结下来，就是标注数据集不仅耗时耗力，还不能多任务通用。

能不能开发出一种又简单又万能的 VLP 模型呢。

谷歌新开发的这款模型使用了弱监督学习进行模型训练，通过利用大量的弱对齐图像—文本对进行建模，简化了 VLP 的训练流程，大大降低了训练的复杂性。

SimVLM 使用前缀语言建模的单一目标进行端到端训练，并直接将原始图像作为输入这些设置允许模型对大规模的弱标记数据集进行利用，从而能够更好地实现零样本学习泛化效果

SimVLM 模型是如何实现的。

SimVLM 模型的预训练过程采用了前缀语言建模 的单一目标，接受序列的前缀作为输入，通过模型解码器来预测其延续的内容。

对于数据集中的图像—文本对，图像序列可视作其文本描述的前缀。

这种方法可以简化训练过程，最大限度地提高模型在适应不同任务设置方面的灵活性和通用性。

模型的主干网络，则使用了在语言和视觉任务上均表现突出的 Transformer 架构。

对输入的原始图像数据提取上下文 patch，这里采用了 ResNet 卷积网络。

本模型使用了包含大约 1.8B 噪声的图像—文本对 ALIGN 训练集进行预训练，以此来实现更好的零样本学习泛化能力。

为了补偿训练集中的噪声影响，训练模型另外还使用了共 800G 的 Colossal Clean Crawled Corpus 数据集。

SimVLM 模型基础性能如何。

模型的预训练完成后，需要在多模式任务中对模型进行微调，以测试性能。

这里用到的多模式任务有:VQA，NLVR2，SNLI—VE，COCO Caption，NoCaps 和 Multi30K En—De。

性能指标:BLEU—4 ，METEOR ，CIDEr ，SPICE

将 SimVLM 模型与现有的功能完善的模型进行比较，测试结果如上表所示，参与评估的 SimVLM 模型还包括了三种不同规模:8600 万参数，3.07 亿参数和 6.32 亿参数。

跨模式任务的测试结果中，SimVLM 模型的性能表现最好，除了 CoCo Caption 的 B4 指标，在其他任务上都取得了新的 SOTA 结果，充分证明了该模型的先进性。

SimVLM 模型零样本泛化

SimVLM 模型在跨模式任务测试中可以取得不错的性能表现，那么它能否顺利执行零样本跨模态转移呢。

预训练的 SimVLM 模型仅对文本数据进行微调或完全不进行微调，通过图像字幕，多语言字幕，开放式 VQA 和视觉文本生成等任务，对模型进行测试。

测试结果如下图所示:

给定图像和文本提示，预训练模型无需微调即可预测图像的内容。

除此之外，未进行过微调的模型在德语字幕生成，数据集外的答案生成，基于图像内容的文字描述，开放式视觉问题回答等应用上均有不错的表现。

为了量化 SimVLM 的零样本学习性能，这里采用了预训练的固化模型在 COCO Caption 和 NoCaps 上进行解码，然后与监督标准基线进行比较。

从结果对比上来看，即使没有监督微调，SimVLM 也可以达到有监督的训练质量水平。

截止到 2020 年 12 月 20 日，他在 SuperGLUE 数据集上获得了第一个超过人类得分的 SOTA 性能，目前则被百度团队赶超，位居第二。

这一次开发的 SimVLM 也在 6 个视觉语言基准测试中达到了单模型 SOTA 性能，并实现了基于文本引导的零样本学习泛化能力。

参考链接:

。 声明：本网转发此文章，旨在为读者提供更多信息资讯，所涉内容不构成投资、消费建议。文章事实如有疑问，请与有关方核实，文章观点非本网观点，仅供读者参考