在本文中，字节跳动人工智能实验室提出了 X-VLM，以统一的方法学习多粒度的视觉和语言对齐，不依赖目标检测方法且不局限于学习图片级别或物体级别的对齐。 该方法在广泛的视觉语言任务上获得了最先进的结果，例如：图像文本检索 （image-text retrieval）、视觉问答（VQA）、视觉推理（NLVR）、视觉定位 （visual grounding）、图片描述生成（image captioning）。
论文
Multi-Grained Vision Language Pre-Training: Aligning Texts with Visual Concepts
论文链接：
https://arxiv.org/abs/2111.08276
代码链接：
https://github.com/zengyan-97/X-VLM
研究背景
▲ 图1：现有两类的方法（a, b）和X-VLM（c）
现有的多模态预训练模型大致分为两类：1）依赖目标检测器提取基于物体的视觉特征，以此学习细粒度的视觉和语言对齐，如图 1 中（a）。这些方法要么直接利用预先训练的目标检测器，要么将目标检测过程合并到多模态预训练中；2）用 CNN 或者视觉 Transformer 编码整张图片，直接学习文本和图片特征之间的粗粒度对齐，如图 1（b）。
这两种方法都存在问题。首先，基于目标检测的方法会识别图片中所有可能的物体，其中不乏一些与配对文本无关的。此外，这种方法所提取的基于物体的视觉特征可能会丢失物体之间的信息（可以认为是一种上下文信息）。而且，我们也很难预先定义需要识别的物体种类。而第二种方法则较难学习到细粒度的视觉和语言对齐，例如：物体级别的对齐。这种细粒度的对齐关系被之前的工作证实对于视觉推理（visual reasoning）和视觉定位（visual grounding）任务很有帮助。
实际上，对于多模态预训练，有以下公开数据以供模型训练：1）图片和图片；2）区域标注，例如：图 1 中的文本“man crossing the street”关联到了图片中的某个具体区域。然而，之前的工作却粗略地将区域标注与整张图片对齐；3）物体标签，例如“backpack”，这些标签被之前的工作用来训练目标检测器。
与之前的做法不同，本文中作者提出 X-VLM，以统一的方式利用上述数据学习多粒度的视觉和语言对齐，而不依赖目标检测方法且不局限于学习图像级别或物体级别的对齐。作者提出学习多粒度视觉和语言对齐的关键在于，如图 1（c）所示：1）给出文本，定位图片中的视觉概念，以边界框的回归损失和交并比损失优化；2）同时拉齐文本和对应的视觉概念，通过常用的对比学习损失，匹配损失，MLM 损失优化。实验证明，X-VLM 能在下游任务中有效利用预训练时学到的多粒度视觉和语言对齐，在多种视觉语言任务上获得非常优秀的表现。
方法
▲ 图2：X-VLM框架
X-VLM 由一个图像编码器，一个文本编码器，一个跨模态编码器组成。
图 2 左侧给出了视觉概念 V（可以是物体/区域/图片）的编码过程：该图像编码器采用视觉 Transformer，将输入图片分成 patches 编码。然后，给出任意一个边界框，简单地通过取框中所有 patch 表示的平均值获得区域的全局表示。
再将该全局表示和原本框中所有的 patch 表示按照原本顺序整理成序列，作为该边界框所对应的视觉概念的表示。 通过这样的方式获得图片本身（ ）和图片中视觉概念（ ， ， ， ）的编码。与视觉概念对应的文本，则通过文本编码器一一编码获得，例如图片、区域描述、物体标签。
X-VLM 采用常见的模型结构，其不同之处在于预训练的方法。作者通过以下两类损失进行优化：
第一，给出文本，例如： （text）、 （text1）、 （text2）、 （text3），预测图片 中的对应视觉概念的边界框：
是跨模态编码器在 [CLS] 位置的输出向量。Sigmoid 函数是为了标准化。Ground-truth 对应了（ ），依次是标准化后的的中心横坐标、中心纵坐标、宽、高。最后，该损失是边界框的 GIoU 损失和 L1 损失之和。作者认为在同一张图片中，给不同文字，要求模型预测出对应的视觉概念，能使模型更有效地学习到多粒度的视觉语言对齐。该损失也是首次被使用在多模态预训练中。
第二，同时优化模型去拉齐文本和对应的视觉概念，包括了物体/区域/图片与文本的对齐。 作者使用多模态预训练中常见的三个损失优化，依次是：
1）对比学习损失：
， 是 ground-truth 相似度，对角线为 1，其余为 0 。 ， 是模型基于文字编码器输出和图像编码器输出所计算的相似度。
2）匹配损失：
是基于跨模态编码器计算，预测所给（ ）对是否匹配（换句话说，0/1分类）。对于每对正例，作者采样一对负例。
3）Masked Language Modeling 损失：
中的一些词已经被随机替换成了 [MASK]， 是跨模态编码器在词 位置的输出向量所计算的词表概率分布。
实验
作者使用多模态预训练中常见的 4M 图片数据集进行实验，同时也在一个 16M 数据集下验证了模型效果，如下表所示：
▲ 表1：两种预训练数据集
其中，标注（# Ann）是区域标注和物体标签的总称。可以看出，有些数据集没有图片（Captions），例如 Visual Genome，有些数据集没有图片标注，例如 CC-3M/12M。
▲ 表2：在图像文本检索任务上的实验结果
表 2 展示了在图像文本检索任务（MSCOCO 和 Flickr30K）上的表现。可以看出在 4M 图片数据集下训练的 X-VLM 就已经超过了之前的方法。
▲ 表3：在多种下游视觉语言任务上的实验结果
表 3 展示了在视觉推理（VQA2.0 和 NLVR2）、视觉定位（RefCOCO+）、图片描述生成（COCO Captio）上的模型表现。结合表 2 和表 3，可以看出，相比之前的方法，X-VLM 支持更多种类的下游任务，并且在这些常见的视觉语言任务上都取得了最先进的表现。
总结
在本文中，作者提出了 X-VLM，以统一的方法学习多粒度的视觉和语言对齐，不依赖目标检测方法且不局限于学习图片级别或物体级别的对齐。这种预训练方法适用于广泛的下游任务，除了视觉推理，还同时在图像文本检索、视觉定位、图片描述生成任务上取得了最先进的表现。全部代码均已开源，可扫下方二维码体验。
