摘要

本文提出了一种名为POMP的视觉-语言模型提示预训练方法。该方法在内存和计算效率方面表现优异，能够使学习到的提示（prompt）高效地凝聚超过两万种视觉概念的语义信息。在完成预训练后，该提示具备强大的可迁移性，可直接应用于多种视觉识别任务，包括图像分类、语义分割和目标检测，实现零样本（zero-shot）性能提升。实证评估表明，POMP在21个数据集上均达到当前最优性能，例如在10个图像分类数据集上平均准确率达67.0%（相较于CoOp提升3.1%），在开放词汇Pascal VOC语义分割任务中达到84.4 hIoU（较ZSSeg提升6.9）。相关代码已开源，地址为：https://github.com/amazon-science/prompt-pretraining。