• 标签： #CLIP #Image2Text #Text2Image #OpenAI
• 创建时间：2023-04-21 00:17:52

基本原理

1. CLIP是一个图像分类模型。
2. 准备训练数据：准备大量的文本描述和图片的训练对，然后把进行对比训练。
3. 文本描述和图片的训练对的数据获取：从互联网上获得400Million的图像文本数据对。这个 规模大致和GPT-2的数据规模相当。
   1. 好处1：数据获取容易。传统的做法会对图像进行分类，以ImageNet为例，获得图片后需要人工进行分类标注，这个周期长成本高。
   2. 好处2：迁移能力强。过去是精确分类一张图片，这样当出现一个未包含的图片的时候，在已知图片分类里就找不到对应的答案了。而CLIP因为训练的素材里面的描述是文本性的（而不是一两个单词的简单分类名称），因此它获得了更好的泛化能力。
4. 因为有了这么大的数据，所以需要更好大量的算力，以及优质的算法。
   1. Text Encoder采用的是Transformer。
   2. Image Encoder采用的是Vision Transformer。
   3. 整个计算在256个V100 GPU上训练2周（12天），得出了ViT-L/14@336px模型。
5. CLIP的设计初衷是为了能够做到零样本迁移（Zero-Shot）到下游数据集上的，也就是说，希望训练完的模型，在遇到一个完全没有见过的图片训练集的时候，可以进行高效的分类。为了达到这个零样本学习的能力：
   1. 研发人员摒弃了传统的数据集，因为传统的数据集通常是建立在明确分类基础上的，所以当一个新分类的图片出现的时候，这个模型就不知所措了。
   2. 把一般的分类换成一个描述性的文本，则可以比较好的解决这个问题。这里列出了他们准备文本描述的模板，通过这些模板，可以把一个带有歧义的单词，变成一个有意义的图像描述，比如论文里举例：boxer，当只提到这个词的时候，我们可能以为它是个拳击手，但是当结合了模板A photo of a {label}, a type of pet.（其中{label}替换成boxer）那么boxer就可以被理解为一种狗（其中在生成数据的时候，比如a type of pet部分也是可以自动拼进去的，比如图片本来就来自牛津词典宠物图片集，那么自然就可以增加这样的分类信息，这会进一步让图像识别变得更加精准）。
6. 主要用途：图像搜索（基于文本）、自然语言描述图像等。
7. 限制：参考论文P18（6. Limitations）
8. 结果：CLIP在Zero-Shot的情况下，在大部分常见数据集上都比特定训练的模型表现的好。在一些特别的模型基础上，Zero-Shot可能不一定有很好的效果，但是进行Few-shot则比特定训练的模型表现要好，因此模型具备很强的迁移能力。
9. 引发的思考：
   1. 数据量大，就可以获得不一样的研究方法和模型效果。其实CLIP用到的方法并不新鲜，前人也有用过类似的方法，但是因为没有采用这么大的数据量，所以没有达到SOTA的效果。
   2. 模型的输入输出都变成了token，也可以理解都都是文本，它和NLP领域的GPT模型带来的颠覆性相似。
   3. 因为是一般性的文本描述，而不是特定分类描述，所以模型具备了多模态的特性。
   4. 因为是一般性的文本描述，所以模型可以用于自然语言描述图像。
10. 这个项目的训练方法没有开源，但是训练结果的模型开源了。

基于CLIP延展的项目

1. StyleCLIP：变化发型、眼睛等。
2. CLIPDraw ：CLIPDraw: Exploring Text-to-Drawing Synthesis through Language-Image Encoders 可以通过CLIP绘制一些蜡笔画。
3. Paper：Open-Vocabulary Object Detection Using Captions 基于字幕的开放词汇目标检测 目标检测。
4. Contrastive Language-Image Forensic Search 基于文本对视频中的内容进行检索。

参考资料

1. Paper: Learning Transferable Visual Models From Natural Language Supervision 从自然语言监督中学习可迁移的视觉模型
   1. CLIP 论文逐段精读【论文精读】
2. OpenAI | CLIP: Connecting text and images CLIP：连接文本和图像

转载请注明出处：https://www.cnblogs.com/volnet/p/openai-clip.html