Transformer模型的多模态学习应用

导读

随着Transformer在视觉中的崛起，Transformer在多模态中应用也是合情合理的事情，甚至以后可能会有更多的类似的paper。先来解释一下什么多模态，模态译作modality，多模态译作multimodel。多模态学习主要有一下几个方向：表征、转化、对齐、融合和协同学习。人就是生活在一个多模态的世界里面，文字、视觉、语言都是不同的模态，当我们能够同时从视觉、听觉、嗅觉等等来识别当前发生的事情，实际上我们就是在做了多模态的融合。而Transformer is All You Need这篇论文（从Attention is All You Need开始大家都成了标题党，X is All You Need）是属于协同学习（Co-learning）的范畴，将多个不同的tasks一起训练，共享模型参数。

背景介绍

这篇论文出自Facebook AI Research，文章提出了UniT，Unified Transformer model，用一个Transformer模型去同时学习多个不同的tasks，甚至这些tasks的领域都可能不同，从目标检测到语言理解，一共训练了7个tasks8个datasets，但是各个beachmark上都取得了不错的成绩。Transformer在各种不同的领域中都取得了极大的成功，例如NLP、images、video和audio，不仅在以上领域表现出色，甚至在一些vision-and-language reasoning的tasks上，比如VQA（visual question answering）也有很强的表现。但是现有的一些多模态的模型基本都是关注某一个领域的不同task或者就是用将近N倍的参数去处理N个不同的领域问题。在17年谷歌提出的《One Model To Learn Them All》［1］中也使用了Transformer encoder-decoder的架构，但是不同的是，它对于每个task都需要一个与之对应的decoder，如下图。类似的还有MT-DNN［2］和VILBERT-MT［3］等等。

UniT： One transformer to learn them all

用单个模型去训练跨模态的任务，UniT包括对于不同的task对于的encoder，因为不同模态的数据需要经过处理才能放到同一个网络，就和人获得不同模态的信息需要不同的器官一样。然后这些信息会经过一个共享decoder，最后各个task会有对应的简单的head进行最后的输出。UniT有两种不同模态的输入：图像和文本。也就是说只需要两个对应的encoder就可以训练7种不同的任务，可以形象地比喻这个网络有两个不同的器官（Image encoder和Text encoder）。

Image encoder一些视觉相关的task，比如目标检测、视觉问答等都需要处理图像，在UniT中，图像先经过一个卷积的backbone，然后再用transformer对特征进行编码，进一步得到编码后的向量。图像的处理与DETR［4］类似。xv=B（I），xv是经过卷积神经网络B得到的特征图，B采用了ResNet-50，并在C5中使用了空洞卷积。再用encoder Ev得到图像编码的向量，这里使用encoder进行编码时为了区别不同的task加入了task embedding以进行区分，和IPT中的作法类似，因为不同的task它可能关注的点不一样。

Text encoder对于文本的输入，采用BERT来进行编码，BERT是一个在大规模语料库上预训练好的模型。给定输入的文本，和BERT处理一样，先将文本编码成tokens的序列{w1， · · · ， wS}，和image encoder一样，还需要加入一个wtask来区分不同的task。在实现中，采用了embedding维度是768，12层的BERT。

Domain-agnostic UniT decoder领域不可知的解码器，和image和text encoder不一样的是encoder是针对某一特定领域的，但是encoder的输入可以是来自与image encoder或者是text encoder，所以是领域不可知。对于纯视觉、纯文本和视觉文本混合的task，encoder的输入是不一样的，纯视觉和纯文本的task的情况下，decoder的输入就是它们各自encoder的输出，但是对于视觉文本的task，decoder的输入是两个encoder输出的拼接，这很好理解，因为需要VQA这种同时会有image和text的输入。

Task-specific output heads每个task可能最后的输出差别很大，因此最后使用对应的prediction head来进行最后的预测。对于检测任务来说，最后decoder产生的每个向量都会produce一个输出，输出包括类别和bounding box。当然，对于不同的task，decoder输入的query是不同的。

Experiments

下图是所用到的8个不同的数据集以及上面的测试结果，可以看到不同任务的区别还是很大的。

根据下图的对比，其实UniT有些task离SOTA还是差的有点远，所以这个领域还是有很大的挖掘的空间的。

Conclusion

在这篇论文中，我们可以看到，Transformer确实是可以来处理不同的领域的，跨领域学习确实是个很大的难题，那么Transformer能否成为多模态领域发展的一个跳板呢？我们拭目以待。

Reference论文链接：https://arxiv.org/abs/2102.10772
编辑：lyn