北大&腾讯打造多模态15边形战士!语言作“纽带”,拳打脚踢各模态,超越Imagebind
还自建首个有深度和红外的大规模多模态数据集
AI4Happiness 投稿
量子位 | 公众号 QbitAI
北大联合腾讯打造了一个多模态15边形战士!
以语言为中心,“拳打脚踢”视频、音频、深度、红外理解等各模态。
![北大&腾讯打造多模态15边形战士!语言作“纽带”,拳打脚踢各模态,超越Imagebind](/wp-content/uploads/replace/a6ea80cb6e70d6e93a8a2073bbddcff4.png)
具体来说,研究人员提出了一个叫做LanguageBind的多模态预训练框架。
用语言作为与其它模态之间的纽带,冻结语言编码器,然后用对比学习方法,将各个模态映射到一个共享的特征空间,实现多模态数据的语义对齐。
使用这种方法,模型在5个数据集上的性能拿下新SOTA,在15个zero-shot检索等任务中取得了显著的性能提升,全面超越ImageBind、OpenCLIP。
![北大&腾讯打造多模态15边形战士!语言作“纽带”,拳打脚踢各模态,超越Imagebind](/wp-content/uploads/replace/9b3733db3fbf955dc27d82850453979a.jpeg)
将各模态与语言绑定
LanguageBind包含三个部分:
多模态编码器(Multi-modal Encoders),语言编码器(Language Encoder),以及多模态联合学习(Multi-modal Joint Learning)。
![北大&腾讯打造多模态15边形战士!语言作“纽带”,拳打脚踢各模态,超越Imagebind](/wp-content/uploads/replace/09faa3d8a8ee81199f8c590bd940bd3d.png)
先来看多模态编码器部分。
除了语言之外的其它模态,研究人员使用24层、1024维的视觉Transformer,具有14的Patch大小。编码器是从OpenCLIP-large初始化的。
深度和红外被视为RGB图像,在通道维度上复制3次与RGB图像对齐。
按照ImageBind的方式,音频数据被转换为持续10秒(128个mel-bins)的频谱图,并进行重复和填充。
- Patch masking
为了解决在编码器中处理所有Token的低效问题,研究人员将图像分成补丁,并通过Mask获取一小部分图片序列,按照MAE的方法进行。
- LoRA fine-tuning
同时使用LoRA技术来加速微调。对于具有权重矩阵W0∈Rd×k的模态编码器,在学习新的权重矩阵BA时,保持权重矩阵W0不变。
- Modality extending
将LanguageBind方法扩展到多个(N个)模态的第一步是将数据处理成令牌序列。随后,参数将从OpenCLIP进行初始化。然后通过令牌屏蔽和LoRA微调来训练不同模态的编码器,同时保持语言编码器冻结。最后,将该模态与语言特征空间对齐。
再来看看语言编码器以及多模态联合学习部分。
对于语言编码器,研究人员使用了一个12层的transformer模型,维度为768,初始化来源于OpenCLIP。
对于给定的文本,他们首先使用BPE分词器将单词分割成相对常见的子词。每个子词对应一个唯一的标记,这些标记在一个词嵌入层内嵌入。最终,这些标记被语言编码器编码,以获得文本对数:
![北大&腾讯打造多模态15边形战士!语言作“纽带”,拳打脚踢各模态,超越Imagebind](/wp-content/uploads/replace/f2c28a44f3a4980273499b8863a9e799.png)
其中L表示序列的长度。为了确保跨不同模态的对齐,研究人员采用了对比学习原则。
这种方法的目标是增加配对数据的相似性,将它们带到相同的语义空间,同时减小不配对数据的相似性。研究人员利用对比学习将各个模态与语言绑定在一起。
构建高质量数据集
此外,研究人员还创建了一个名为“VIDAL-10M”的高质量数据集,其中包含1000万个具有对齐视频-语言、红外-语言、深度-语言、音频-语言的数据对,是第一个具有深度和红外模态的大规模视频多模态数据集。
![北大&腾讯打造多模态15边形战士!语言作“纽带”,拳打脚踢各模态,超越Imagebind](/wp-content/uploads/replace/8d4ced400969cdd7eaee2cdff8f68c17.png)
数据集构建方法如下:
![北大&腾讯打造多模态15边形战士!语言作“纽带”,拳打脚踢各模态,超越Imagebind](/wp-content/uploads/replace/6a403add5c797a3ac58ca6da1b77a684.png)
△VIDAL-10M 构建框架
第一步是生成搜索词数据库,这个过程中,研究人员设计了一种独特的搜索词获取策略,利用来自各种视觉任务数据集的文本数据,包括标签和标题,以构建具有丰富视觉概念和多样性的视频数据集。
第二步是从互联网收集相关视频和音频,并进行一系列过滤处理,以确保数据集的质量和准确性。
这个过程中,研究人员使用了多种过滤方法,包括基于文本的过滤、基于视觉与音频的过滤,以确保数据集中的视频和音频与搜索词相关且质量高。
第三步是进行红外和深度模态生成,以及多视角文本生成和增强。
在空间信息增强方面,研究人员采用了OFA模型生成多个关键帧描述,以提升视频内容的空间表达质量。
同时,在时间信息增强方面,将视频内容、标题以及Hashtag标签输入到mPLUG-owl模型中,以获取更为精炼和丰富的时间维度描述。
最后,研究人员运用ChatGPT模型对文本描述进行进一步细化和增强。
综合而言,多视角文本增强涵盖了标题、标签、关键帧描述以及视频描述等多个组成部分,为视频内容提供了全面且详尽的描述。
多个测试拿下SOTA
在测试阶段,大量的实验验证了VIDAL-10M数据集和LanguageBind方法的有效性,在视频、音频以及其它模态理解任务中取得了显著的性能。
![北大&腾讯打造多模态15边形战士!语言作“纽带”,拳打脚踢各模态,超越Imagebind](/wp-content/uploads/replace/911ec1eb579754642ffd547c991470a3.png)
LanguageBind在四个数据集上都性能拿下SOTA。
在MSR-VTT上比InterVideo方法高出1.9%,在MSVD上比 InterVideo高出 8.8%,在DiDeMo上比InterVideo高出 6.3%,在ActivityNet上比InterVideo高出 4.4%。
值得注意的是,InterVideo采用了更广泛的训练数据,正表明LanguageBind的有效性。
![北大&腾讯打造多模态15边形战士!语言作“纽带”,拳打脚踢各模态,超越Imagebind](/wp-content/uploads/replace/62ef928984247a26455e2618541ad8b2.png)
△Zero-Shot视频-文本检索结果
视频-语言、红外-语言、深度-语言和音频-语言Zero-Shot分类,在所有数据集上的准确率均优于ImageBind、OpenCLIP:
![北大&腾讯打造多模态15边形战士!语言作“纽带”,拳打脚踢各模态,超越Imagebind](/wp-content/uploads/replace/5f50c1c8dd1950a4dc2c0860b6ff7325.jpeg)
Zero-Shot音频-语言检索性能同样优越:
![北大&腾讯打造多模态15边形战士!语言作“纽带”,拳打脚踢各模态,超越Imagebind](/wp-content/uploads/replace/f17cae0e5a833cc600b50eb3a8e834f8.jpeg)
论文链接:https://arxiv.org/pdf/2310.01852.pdf
- 科技大会顶流们,上海都要包圆了啊2024-09-04
- 开源大模型新王干翻GPT-4o,新技术可纠正自己幻觉,数学99.2分刷爆测试集2024-09-06
- 三星高管剧透GPT-5:3-5万亿参数,7000块B100训练2024-09-05
- Ilya新公司融资10亿美元!被曝估值50亿美元,公司现仅有10人2024-09-04