期刊专题

10.11896/jsjkx.230700084

面向多视角对比学习和语义增强的多模态预训练方法

引用
视觉语言预训练(VLP)模型通过对比学习等方法,在多模态任务上表现出了优异的性能.然而现有研究忽视了多视角描述带来的好处,以及语义和语法的重要性.为了解决这一问题,文中提出了多视角对比学习和语义增强多模态预训练(Multi-view learning and Semantic Enhancement for Multimodal pre-training,MulSE)模型.MulSE 主要分为 3 个部分:1)在融合编码器模型中,引入带有生成器的多视角对比学习;2)提出了一种新的自监督视觉语言预训练任务——多模态文本重排序;3)增加并探寻最优MLM掩码比例,最大化利用视觉信息的能力.通过改进预训练任务,采取多种最优策略,并通过实验验证MulSE增强了模态内部和模态间的理解能力以及对文本语法和语义的理解能力.预训练仅用4 × 106的数据量,在图文检索任务中就达到了先前大型数据集的效果,且其在视觉问答和视觉蕴含任务上的评估效果优于先前的理解式VLP模型.

计算机视觉、多模态、预训练、多视角、理解增强

51

TP391(计算技术、计算机技术)

2024-01-23(万方平台首次上网日期,不代表论文的发表时间)

共7页

168-174

暂无封面信息
查看本期封面目录

计算机科学

1002-137X

50-1075/TP

51

2024,51(1)

专业内容知识聚合服务平台

国家重点研发计划“现代服务业共性关键技术研发及应用示范”重点专项“4.8专业内容知识聚合服务技术研发与创新服务示范”

国家重点研发计划资助 课题编号:2019YFB1406304
National Key R&D Program of China Grant No. 2019YFB1406304

©天津万方数据有限公司 津ICP备20003920号-1

信息网络传播视听节目许可证 许可证号:0108284

网络出版服务许可证:(总)网出证(京)字096号

违法和不良信息举报电话:4000115888    举报邮箱:problem@wanfangdata.com.cn

举报专区:https://www.12377.cn/

客服邮箱:op@wanfangdata.com.cn