事前学習言語モデルを用いたVision & Languageの動向 / A Survey of Pre-trained Language Models for Vision & Language

Transcript

1. 事前学習⾔語モデルを⽤いた
   Vision & Language の動向
   2019/11/30
   ⻄⽥京介
   1
   

   View Slide

2. • BERTに代表される事前学習⾔語モデルが Vision & Language
   タスクにも導⼊され成果を挙げている
   – VQA，VCR，画像/テキスト検索・含意などでSOTAを更新
   • 事前学習⾔語モデルを基に画像/動画キャプションデータを
   ⽤いて Vision & Language の汎⽤的な事前学習を⾏い，
   downstreamタスクのデータセットでfine-tuningする
   – 1つのTransformerで⾔語と画像を同時に扱う，あるいは，2つの
   Transformerを⾔語・画像のそれぞれに対して⽤意
   – 画像を扱うタスクでは物体領域検出を⾏い，各画像領域の表現＋位置
   を1つの⾔語トークンの⽤に扱うことが主流
   • 現在の研究トレンドは， Vision & Language 事前学習タスクの
   問題設定の⼯夫および学習データ数の増加による精度向上
   概要
   2
   

   View Slide

3. • 24層の巨⼤モデルで⼤量のデータで事前学習して汎⽤なモ
   デルを獲得し、各応⽤タスクに適応させるアプローチ
   • 2018/10/11に発表、11/30までに2662件の被引⽤
   • 多数のNLPタスクで⾼い性能を実現して注⽬を浴びる
   3
   BERT [Devlin(Google)+, NAACL19 Best Paper]
   Vision & Language
   https://www.aclweb.org/anthology/N19-1423
   

   View Slide

4. Vision & Language モデルの概要
   4
   

   View Slide

5. • ⼊⼒形式: 1系列2セグメント．キャプション＋画像トークンの系列
   • ⾔語表現モデル: BERT large
   • 画像表現モデル: S3Dによるencoding → ベクトル量⼦化で離散トークン化(20k種類)
   • 事前学習データ: YouTubeの料理動画 (テキストはASR結果）
   • 事前学習タスク: Masked LM(⾔語＆画像トークン), テキスト-単語マッチング
   • 評価: YouCook II (action classification, video captioning)
   VideoBERT [Sun(Google)+, ICCV19, arXiv19 Apr 3] 引⽤数19
   http://openaccess.thecvf.com/content_ICCV_2019/papers/Sun_VideoBERT_A_Joint_
   Model_for_Video_and_Language_Representation_Learning_ICCV_2019_paper.pdf
   5
   

   View Slide

6. • ⼊⼒形式: 2系列．キャプション単語 / 画像表現 を2つのTRMにそれぞれ⼊⼒
   • ⾔語表現モデル: BERT base
   • 画像表現モデル: S3Dによるencoding → 画像⽤TRMへ⼊⼒
   • 事前学習データ: HowTo100M (テキストはASR結果）
   • 事前学習タスク: 次フレーム予測，テキスト-単語マッチング
   • 評価: ActivityNet, Breakfast, and 50Salad (action anticipation), YouCook II (video
   captioning), COIN(action segmentation)
   CBT [Sun(Google) +, ICLR20(査読中), arXiv19 Jun 13] 引⽤数4
   https://arxiv.org/abs/1906.05743
   6
   

   View Slide

7. • ⼊⼒形式: 2系列．画像領域(ROI)表現 / キャプション単語系列
   • ⾔語表現モデル: BERT base
   • 画像表現モデル: Faster R-CNNによるROI detection + encoding → 画像⽤TRMへ
   • 事前学習データ: Conceptual Captions
   • 事前学習タスク: Masked LM，Masked ROIの意味クラス分類（Faster R-CNNの出⼒
   分布とのKLの最⼩化), テキスト-画像のマッチング
   • 評価: VQA2, VCR, RefCOCO+, Flicker30k IR
   VilBERT [Lu(GIT)+, NeurIPS19, arXiv19 Aug 6] 引⽤数16
   https://papers.nips.cc/paper/8297-vilbert-pretraining-task-agnostic-visiolinguistic-
   representations-for-vision-and-language-tasks
   7
   コード有
   https://github.com/jiasenlu/vilbert_beta
   

   View Slide

8. • ⼊⼒形式: 1系列2セグメント．キャプション単語＋画像領域(ROI)表現
   • ⾔語表現モデル: BERT base
   • 画像表現モデル: Faster R-CNNによるregion detection + encoding
   • 事前学習データ: COCO
   • 事前学習タスク: Masked LM，テキスト-画像のマッチング
   • 評価: VQA2, VCR, NLVR2, and Flickr30K entities
   VisualBERT [Li(UCLA)+,arXiv19 Aug 9] 引⽤数15
   https://arxiv.org/abs/1908.03557
   8
   https://github.com/uclanlp/visualbert
   コード有
   

   View Slide

9. • ⼊⼒形式: 1系列．画像領域(ROI)表現＋キャプション単語
   • ⾔語表現モデル: BERT large
   • 画像表現モデル: ResNet 152 (VCRのROIをそのまま使う）
   • 事前学習データ: Conceptual Captions
   • 事前学習タスク: Masked LM，テキスト-画像のマッチング
   • 評価: VCR
   B2T2 [Alberti(Google) +, EMNLP19, arXiv19 Aug 14] 引⽤数8
   https://www.aclweb.org/anthology/D19-1219/
   9
   https://github.com/google-research/language/tree/master/language/question_answering/b2t2
   コード有
   

   View Slide

10. • ⼊⼒形式: 1系列2セグメント．画像領域(ROI)クラス＋キャプション単語．さらに，
    画像表現をearly fusion
    • ⾔語表現モデル: BERT base
    • 画像表現モデル: Faster-RCNNによるregion detection + encoding + semantic class
    • 事前学習データ: Conceptual Captions
    • 事前学習タスク: Masked LM(⾔語トークン, ROIラベル), テキスト-画像マッチング
    • 評価: COCO & Flicker30k 画像/テキスト検索, (VCR)
    Unicoder-VL [Li(Microsoft)+, arXiv19 Aug 16] 引⽤数8
    https://arxiv.org/abs/1908.06066
    10
    

    View Slide

11. • ⼊⼒形式: 2系列．画像領域(ROI)表現 / キャプション単語 を並列⼊⼒
    • ⾔語表現モデル: 利⽤なし（構造はBERTと同じ）
    • 画像表現+領域検出モデル: Faster-RCNNによるregion detection + encoding
    • 事前学習データ: COCO, Visual Genome, VQA2, GQA, VG-QA
    • 事前学習タスク: Masked LM, Masked ROIの特徴回帰＆意味クラス分類，テキスト-
    画像マッチング，Visual Question Answering
    • 評価: VQA2, GQA
    LXMERT [Tan(UNC) +, EMNLP19, arXiv19 Aug 20] 引⽤数12
    https://arxiv.org/abs/1908.07490
    11
    https://github.com/airsplay/lxmert
    コード有
    

    View Slide

12. • ⼊⼒形式: 1系列2セグメント．キャプション単語＋画像領域(ROI)表現
    • ⾔語表現モデル: BERT (base or large)
    • 画像表現モデル: Faster-RCNNによるROI detection + encoding
    • 事前学習データ: Conceptual Captions
    • 事前学習タスク: Masked LM(⾔語トークン, ROIラベル)
    • 評価: VCR, VQA, RefCOCO+
    VLBERT [Su(Microsoft) +, ICLR20(査読中), arXiv19 Aug 22] 引⽤数10
    https://arxiv.org/abs/1908.08530
    12
    

    View Slide

13. • ⼊⼒形式: 1系列2セグメント．画像領域表現＋キャプション単語
    • ⾔語表現モデル: BERT (base or large)
    • 画像表現+領域検出モデル: Faster-RCNN
    • 事前学習データ: COCO, Visual Genome, Conceptual Captions, SBU Captions
    • 事前学習タスク: Masked LM，Masked ROI 特徴回帰＆意味クラス分類（KL最⼩化），
    テキスト-画像マッチング
    • 評価: VCR, VQA, Flicker30k, NLVR, SNLI-VE, RefCOCO+（全タスクで現在のSOTA）
    UNITER [Chen(Microsoft) +, ICLR20(査読中), arXiv19 Sep 25] 引⽤数3
    https://arxiv.org/abs/1909.11740
    13
    

    View Slide

14. 事前学習データ＆
    Vision & Languageタスク
    （UNITER論⽂ベース，動画含まず）
    14
    

    View Slide

15. 15
    Vision+Language データ＆タスク (UNITER論⽂より)
    

    View Slide

16. 16
    V+Lタスクのスコア⽐較（UNITER論⽂より）
    

    View Slide

17. • 300万件の(画像,キャプション)の組
    • WebからAlt-textと画像のペアをクロール．Alt-textの固有名詞
    について上位語に変換しConceptual Captionsを⾃動⽣成
    • Object情報は無し
    Conceptual Captions [Sharma(Google)+, ACL18] 引⽤数41
    https://www.aclweb.org/anthology/P18-1238/ 17
    

    View Slide

18. Conceptual Captions [Sharma(Google)+, ACL18] 引⽤数41
    https://www.aclweb.org/anthology/P18-1238/
    18
    

    View Slide

19. 19
    COCO [Lin(Microsoft)+, ECCV14] 引⽤数7142
    http://cocodataset.org/#explore
    • Flickrから収集した10.6万件の画像．各画像に⼈間がアノテー
    ションしたキャプションが5件付いている
    • Object情報あり
    https://arxiv.org/abs/1405.0312
    

    View Slide

20. • 画像10.8万件，画像中のobjectに関連して密に説明⽂がアノ
    テーションされている
    20
    Visual Genome [Krishna(Stanford)+,IJCV17] 引⽤数871
    https://arxiv.org/abs/1602.07332 https://visualgenome.org/VGViz/explore
    

    View Slide

21. • Flickrから収集した99.0万件の写真とキャプション
    • キャプションの品質を上げるためにフィルタリングを実施
    21
    SBU Captions [Ordonez +,NIPS11] 引⽤数871
    https://papers.nips.cc/paper/4470-im2text-describing-
    images-using-1-million-captioned-photographs
    

    View Slide

22. • 画像に対する質問応答
    • UNITERでは分類問題（頻出回答3129種を候補）とする
    22
    VQA 2.0 [Goyal(Virginia Tech)+, CVPR17] 引⽤数367
    https://arxiv.org/abs/1612.00837
    

    View Slide

23. • 画像に対する質問応答
    • 2.0では質問タイプに応じて回答が均等化されている
    23
    VQA 2.0 [Goyal(Virginia Tech)+, CVPR17] 引⽤数367
    https://arxiv.org/abs/1612.00837
    

    View Slide

24. • ⾔語＋常識＋ビジョンの理解が必要なタスク
    • UNITERではQ->AとQA->Rに分解して解く．QAあるいは QARの
    組を結合してテキスト-画像⼊⼒とし， [CLS]表現を基に分類
    24
    VCR [Zellers (U Washington)+, CVPR19] 引⽤数38
    Rowan Zellers, Yonatan Bisk, Ali Farhadi, Yejin Choi:
    From Recognition to Cognition: Visual Commonsense Reasoning. CoRR abs/1811.10830 (2018)
    画像と質問(Q)
    に対して、回答
    (A)と根拠(R)を
    選択
    

    View Slide

25. 25
    VCRリーダーボード(抜粋) 11/29
    https://visualcommonsense.com/leaderboard/ ※各モデルでensemble, largeを優先して抜粋．
    Q->A: 回答正解率
    QA->R: 根拠正解率
    Q->AR: 回答＆根拠正解率
    まだ⼈間とは開きあり
    

    View Slide

26. 26
    NLVR2 [Suhr(Cornell U)+, ACL19] 引⽤数14
    https://www.aclweb.org/anthology/P19-1644/
    • 2つの画像に関するキャプションが正しい物か否かを分類
    • UNITERでは画像ペア-テキストの組として⼊⼒，[CLS]表現を基に分類
    

    View Slide

27. • 画像に関するテキストの含意認識．SNLIのキャプションが
    Flickr30kから作られていることを利⽤して紐付け
    27
    SNLI-VE [Xie(NEC Lab America)+, arXiv19] 引⽤数5
    https://arxiv.org/abs/1901.06706
    

    View Slide

28. 28
    Image-Text Retrieval [Lee+,ECCV18] 引⽤数73
    https://arxiv.org/abs/1803.08024
    • COCO, Flickr30kに基づくテキスト→画像 (IR)，画像→テキスト(TR)の検索
    • UNITERではランキング問題としてfine-tuning．Fine-tuningなしのzero-shot
    設定でも実験．
    

    View Slide

29. 29
    RefCOCO [Kazemzadeh+,EMNLP14] 引⽤数259 [Yu+,ECCV16] 引⽤数141
    https://github.com/lichengunc/refer
    https://arxiv.org/abs/1608.00272
    https://www.aclweb.org/anthology/D14-1086/
    • テキストに対して最も適切な画像中のRegionを選択する
    • UNITERではFaster R-CNNで抽出した各ROIに対応する出⼒表現
    を基に分類
    

    View Slide