ClipCap: CLIP Prefix for Image Captioning

文章目录

• ClipCap: CLIP Prefix for Image Captioning
• 前言
• 一、原理
• 二、 方法
• • 1.4 实验
• 三、运行记录
• • 3.1 准备
  • 3.2 模型训练

前言

本文主要目的是学习这篇paper，以及纪录相关的代码学习过程
论文：https://arxiv.org/abs/2111.09734
Github:
https://github.com/rmokady/CLIP_prefix_caption
https://github.com/yangjianxin1/ClipCap-Chinese
参考链接：
ClipCap：让计算机学会看图说话

一、原理

ClipCap提出一种基于Mapping Network的Encoder-Decoder模型，其中Mapping Network扮演了图像空间与文本之间的桥梁。模型主要分为三部分：

• Image Encoder : Clip编码图像，得到clip embedding
• Mapping Network: 将图片向量clip_embed映射到文本空间中，得到一个文本提示向量序列prefix_embedding
• Text Encoder：采用GPT2模型，根据提示向量序列prefix_embeds, 生成caption
  有点像UNILM

二、 方法

给定x_i, 得到c_i，最大化（1）的序列概率。（2）是GPT2那部分的求解目标

最后的loss是交叉熵损失，整个模型比较简单。
Mapping Network 有两种：MLP or Transformer

1.4 实验

数据集：

• COCO-captions
• nocaps
• Conceptual Captions
  Image Caption 2021最新整理：数据集 / 文献 / 代码
  这个博客详细介绍了相关数据集的基本情况
  
  扩展该方向的创新点
• 曝光偏差问题
• 物体对应问题
• 效果问题

三、运行记录

3.1 准备

• 数据
  官网：http://hockenmaier.cs.illinois.edu/DenotationGraph/
  填写表单，然后下载：
  

1、flickr30k.tar：压缩后是名为results_20130124.token的图片标注文件
2、flickr30k-images：共计约31783张照片

• 模型权重
  Clip的权重

_MODELS = {"RN50": "https://openaipublic.azureedge.net/clip/models/afeb0e10f9e5a86da6080e35cf09123aca3b358a0c3e3b6c78a7b63bc04b6762/RN50.pt","RN101": "https://openaipublic.azureedge.net/clip/models/8fa8567bab74a42d41c5915025a8e4538c3bdbe8804a470a72f30b0d94fab599/RN101.pt","RN50x4": "https://openaipublic.azureedge.net/clip/models/7e526bd135e493cef0776de27d5f42653e6b4c8bf9e0f653bb11773263205fdd/RN50x4.pt","RN50x16": "https://openaipublic.azureedge.net/clip/models/52378b407f34354e150460fe41077663dd5b39c54cd0bfd2b27167a4a06ec9aa/RN50x16.pt","RN50x64": "https://openaipublic.azureedge.net/clip/models/be1cfb55d75a9666199fb2206c106743da0f6468c9d327f3e0d0a543a9919d9c/RN50x64.pt","ViT-B/32": "https://openaipublic.azureedge.net/clip/models/40d365715913c9da98579312b702a82c18be219cc2a73407c4526f58eba950af/ViT-B-32.pt","ViT-B/16": "https://openaipublic.azureedge.net/clip/models/5806e77cd80f8b59890b7e101eabd078d9fb84e6937f9e85e4ecb61988df416f/ViT-B-16.pt","ViT-L/14": "https://openaipublic.azureedge.net/clip/models/b8cca3fd41ae0c99ba7e8951adf17d267cdb84cd88be6f7c2e0eca1737a03836/ViT-L-14.pt",
}

GPT2 中文模型
https://github.com/Morizeyao/GPT2-Chinese gpt2通用中文模型

3.2 模型训练

python train.py \--data_path datasets/clip_caption.pkl \--gpt2_path pretrain_models/gpt2 \--bert_path pretrain_models/bert \--output_path output/finetune \--lr 2e-5 \--epochs 40 \--prefix_len 10 \--constant_len 10 \--clip_size 512 \--bs_train 40 \--dev_size 1000 \--bs_eval 128 \--max_len 100 \--warmup_steps 5000 \--save_step 1000 \--eval_step 500 \--finetune_gpt2 \--mapping_type mlp \--do_train

蓝色：bert no finetune + gpt2
黑色：mlp finetune + gpt2
MLP的loss下降更快，也更低
BERT的loss下降慢，收敛的不好
因为：黑色是，MLP和GPT2是一起微调的，蓝色是只微调BERT，训练难度更大，GPT2是固定的。

对topk和topp的理解：
语言生成：搜索 or 采样，that is the question

总结：
Flickr30中文caption数据是由机器翻译获得的，质量上存在缺陷，后续可以考虑使用更加高质量的数据进行模型训练。并且根据训练过程分析可以知道，由于训练数据量较小，模型存在过拟合的风险，后续可以考虑使用更高量级的数据进行训练，相信能够获得更好的效果。

• 更高质量的数据集
• CLIP模型可以考虑换成中文的Chinese-CLIP模型，对中文的感知能力强点
• Mapping Network在小的数据集上MLP比较优秀, 也比较轻量化
• 文本生成部分，可以尝试GPT2更强的作为baseline来进行
• 论文中采用topk, topp的采样，可以尝试其他语言模型采样的方法: A Contrastive Framework for Neural Text Generation