4 个月前

AltCLIP:扩展CLIP的语言编码器以增强语言能力

AltCLIP:扩展CLIP的语言编码器以增强语言能力

摘要

在本研究中,我们提出了一种概念上简单且有效的方法来训练一个强大的双语/多语言多模态表示模型。我们从OpenAI发布的预训练多模态表示模型CLIP出发,将其文本编码器替换为预训练的多语言文本编码器XLM-R,并通过两阶段训练方案(包括教师学习和对比学习)对语言和图像表示进行对齐。我们通过广泛的任务评估验证了该方法的有效性。我们在多个任务上取得了新的最先进性能,包括ImageNet-CN、Flicker30k-CN、COCO-CN和XTD。此外,我们的模型在几乎所有任务上的表现都与CLIP非常接近,这表明可以通过简单地替换CLIP中的文本编码器来扩展其功能,例如实现多语言理解。我们的模型和代码已发布在https://github.com/FlagAI-Open/FlagAI。

代码仓库

flagai-open/flagai
官方
pytorch
GitHub 中提及

基准测试

基准方法指标
zero-shot-cross-modal-retrieval-on-flickr30kAltCLIP
Image-to-text R@1: 86
Image-to-text R@10: 99.1
Image-to-text R@5: 98
Text-to-image R@1: 72.5
Text-to-image R@10: 95.4
Text-to-image R@5: 91.6
zero-shot-transfer-image-classification-on-1AltCLIP
Accuracy (Private): 74.5
zero-shot-transfer-image-classification-on-3AltCLIP
Accuracy (Private): 68.1
zero-shot-transfer-image-classification-on-4AltCLIP
Accuracy: 87.2
zero-shot-transfer-image-classification-on-5AltCLIP
Accuracy (Private): 69.5
zero-shot-transfer-image-classification-on-8AltCLIP
Accuracy (Private): 58.7
zero-shot-transfer-image-classification-on-cnAltCLIP
Accuracy (Private): 59.6
zero-shot-transfer-image-classification-on-cn-1AltCLIP
Accuracy (Private): 46.5
zero-shot-transfer-image-classification-on-cn-2AltCLIP
Accuracy (Private): 58.5
zero-shot-transfer-image-classification-on-cn-3AltCLIP
Accuracy (Private): 79.9
zero-shot-transfer-image-classification-on-cn-4AltCLIP
Accuracy (Private): 50.9

用 AI 构建 AI

从想法到上线——通过免费 AI 协同编程、开箱即用的环境和市场最优价格的 GPU 加速您的 AI 开发

AI 协同编程
即用型 GPU
最优价格
立即开始

Hyper Newsletters

订阅我们的最新资讯
我们会在北京时间 每周一的上午九点 向您的邮箱投递本周内的最新更新
邮件发送服务由 MailChimp 提供
AltCLIP:扩展CLIP的语言编码器以增强语言能力 | 论文 | HyperAI超神经