VLE (Vision-Language Encoder)是一种基于预训练文本和图像编码器的图像-文本多模态理解模型，可应用于如视觉问答、图像-文本检索等多模态判别任务。特别地，在对语言理解和推理能力有更强要求的视觉常识推理（VCR）任务中，VLE取得了公开模型中的最佳效果。
在线演示地址：https://huggingface.co/spaces/hfl/VQA_VLE_LLM
VLE模型采用双流结构，与METER模型结构类似，由两个单模态编码器（图像编码器和文本编码器）和一个跨模态融合模块构成。VLE与METER的结构上的差异在于：VLE使用DeBERTa-v3作为文本编码器，其性能优于METER中使用的RoBERTa-base。在VLE-large中，跨模态融合模块的隐层维度增加至1024，以增加模型的容量。在精调阶段，VLE引入了额外的token类型向量表示。预训练VLE使用图文对数据进行预训练。在预训练阶段，VLE采用了四个预训练任务：MLM (MaskedLanguageModeling)：掩码预测任务。给定图文对，随机遮掩文本中的部分单词，训练模型还原遮掩的文本。ITM (Image-TextMatching)：图文匹配预测任务。给定图文对，训练模型判断图像和文本是否匹配。MPC (MaskedPatch-boxClassification)：遮掩Patch分类任务，给定图文对，并遮掩掉图片中包含具体对象的patch，训练模型预测被遮掩的对象种类。PBC (Patch-boxclassification)：Patch分类任务。给定图文对，预测图片中的哪些patch与文本描述相关。VLE在14M的英文图文对数据上进行了25000步的预训练，batch大小为2048。下图展示了VLE的模型结构和部分预训练任务（MLM、ITM和MPC）。下游任务适配视觉问答(VQA)遵循标准做法，使用VQA的训练集（trainingset）和验证集（validationset）训练模型，在test-dev集上进行验证。采用模型的融合层的pooler的输出进行分类任务的训练。视觉常识推理(VCR)将VCR格式化为一个类似于RACE的选择题任务，并对于每张图像中的对象，将覆盖该对象的patch的表示的平均池化值添加到融合模块之前的图像特征序列中。还为图像和文本中的对象添加额外的token_type_ids，以注入不同模态之间的对齐信息，提升模型的对齐性能。模型下载本次发布了VLE-base和VLE-large两个版本的预训练模型，模型权重为PyTorch格式，可以选择手动从
评论