Conceptual 12M: Pushing Web-Scale Image-Text Pre-Training To Recognize Long-Tail Visual Concepts
2021-07-20 08:58:37
Paper: cvpr2021
Code: https://github.com/google-research-datasets/conceptual-12m
1. Background and Motivation:
当前 vision-language 的预训练模型大行其道，如何获取海量的 image-language 数据对成了一个棘手的问题。当前算法一般采用多个公共数据集构成几百万级别的语料库。但是这些数据，作者认为还不够，无法较好的学习长尾视觉概念。通过放宽过滤网上图像文本数据的条件，使得最终收获的图像更多，达到更高的召回率。作者给出的案例如下所示：
此外，作者在该数据集上进行了产生式和匹配任务的学习。如下图所示，一个是 image captioning，另外一个是图像文本匹配。并在多个下游任务上进行了实验，如表格2所示。
2. Input Representation and Results：
作者采用了 graph-RISE 的方法来提取整张图像的特征，在 visual Genome 上训练 faster RCNN，骨干网络为 ResNet101。现在 JFT 数据集上进行训练，然后在 ImageNet 上进行微调。选择前 16个 box 及其特征。利用 Google 的 API 算法，预测得到 16 个图像标签，将其当做文本输入。这些全局，局部，和标签特征，一起被当做是一个 1+16+16 的向量，作为模型的底层特征。如下所示，预训练+微调的结果，得到了大幅度的提升：
==