[148] I Can't Believe There's No Images! Learning Visual Tasks Using only Language Supervision

[long8v]

paper

TL;DR

• I read this because.. : aka. CLOSE. 카카오 논문 찾으려고 ICCV 탐방기 PPT 보다가 CapDec이랑 되게 비슷해서 뭐가 다른가 하고 읽음.
• task : zero-shot cross modal transfer(특정 modality에서 학습한걸 가지고 다른 모달리티로 전환하는 것)
• problem : contrastive로 학습되더라도 text와 image의 embedding space는 다르다! 가령 COCO caption에 대해서 positive {image, text} pair의 similiarity는 0.26이고 관련 없는 caption 끼리의 유사도는 0.35이다.
• idea : text embedding space에 gaussian noise를 추가하자!
• input/output : (train) text -> text (infer) image, text -> text
• architecture : CLIP ViT-L/14 + T5 base
• objective : cross entropy loss
• baseline : ESPER, CLIP Cls, TAP-C (zero-shot multimodal transfer models)
• data : COCO Captioning, SNLI (->SNLI-VE), VQA (->VQA-E), Visual News, synthetic captions with GPT-J RNG, GPT-J unigram, CURIE
• evaluation : 각 벤치마크에 맞게
• result : 기존 text only로 학습된 멀티모달 모델들 중 sota.
• contribution : 간단한 아이디어로 안되던걸 되게 함.
• etc. : 결론적으로 CapDec이랑 매우 비슷함 ㅋㅋ 얘네 related work에도 있고 그래서 이런저런 analysis를 넣게 된 듯. VLM에서 이런 식으로 학습하면 더 scalable하게 학습 할 수 있으려나? 또는 이게 그냥 LLaVA의 방식과 같다고 할 수 있으려나?

Details

• pipeline

텍스트 임베딩도 CLIP에서 나온걸 씀! VQA에서 context라던지, SNLI에서 premise 같은것들은 T5 임베딩 씀.
어떻게 벡터로 넣어줬는지 좀 애매하게 써져있는데 CLIP에서 나온 임베딩이 2048이고 T5가 받는 임베딩이 512이면 2048 임베딩을 잘라서 4개의 512 벡터로 바꿔서 넣어줬다는 듯

CLIP의 image / text encoder는 freeze하고 T5만 finetune하는 형태

• modality adaptor

결론적으로 가우시안 노이즈 + training hyperparameter w로 scale을 함.

• sensitivitiy

text 벡터에 약간의 noise를 주는 건 민감하지 않았고 이미지 방향으로 조금 shift시키는 것(mean)은 VE의 경우 performance가 좋아지기도 했으나 반대 방향으로 가게 하는 것은(-mean) 성능에 악영향을 주었다.

• learned adpater analysis

zero gaussian이 best는 아니므로 더 나은 adaptor가 있을까 학습. 대신 이건 text-only로 학습이 안되므로 main모델로는 못들어감.
linear는 linear map을 학습하는 방식이고 cov.는 학습 가능한 text와 image의 covariance로 structured noise를 추가하는 방식임

• training data with language model

GPT-J등을 써서 coco에 많이 나오는 단어들로 캡션 생성하게 해서 학습할 수 있음

• style caption도 할 수 있음