一个模型处理多种模态和任务，商汤等提出Uni-Perceiver，迈向通用预训练感知模型

机器之心

发布于 2021-12-13 13:48:37

1.1K0

发布于 2021-12-13 13:48:37

文章被收录于专栏：机器之心

机器之心专栏

商汤、西安交通大学等

来自商汤、西安交通大学等机构的研究者提出了一种通用感知架构 Uni-Perceiver ，该方法可以更好地将预训练中学到的知识迁移到下游任务中。

人脑可以整合不同模态的信息，并同时处理各项任务来感知世界。相比之下，当前机器学习研究者多是为不同的任务开发不同的模型和算法，并在特定于任务的数据上进行训练。然而，这种特定于任务的方法会大大增加为新任务开发模型的边际成本，无法满足快速增长的应用场景的需求。

本文的研究者们希望提出一种通用感知架构，通过在多模态大规模数据上进行预训练得到良好的表征，并对不同下游任务使用同一套预训练参数；在应用于下游任务时，模型无需额外数据，或仅需少量的数据即可达到良好的效果。研究者们的核心想法是将不同模态的数据编码到统一的表示空间中，并将不同任务统一为相同的形式。这种统一的设计鼓励了不同模态和任务在表示学习中的协作，并且可以更好地将预训练中学到的知识迁移到下游任务中。由于任务形式的统一，该模型甚至可以对预训练阶段没有见过的新任务进行 zero-shot 推理。

基于此想法，来自商汤、西安交通大学等机构的研究者们提出了 Uni-Perceiver 。

论文地址：https://arxiv.org/pdf/2112.01522.pdf】

图 1 对比了 Uni-Perceiver 和现有的为特定任务设计和训练的模型。Uni-Perceiver 以统一的模型处理各种模态和任务，在各种单模态任务以及多模态任务上进行了预训练。在下游任务上，由于对不同任务使用了统一的建模，模型显示了没有见过的新任务的 zero-shot 推理能力，不经任何额外训练也能达到合理的性能。此外，通过使用 1% 的下游任务数据进行 prompt tuning，模型性能可以提升到接近 SOTA 的水平。使用 100% 的目标数据对预训练模型进行微调时，Uni-Perceiver 在几乎所有任务上都达到了与 SOTA 方法相当或更好的结果。

图 1 现有的特定于任务的感知模型和 Uni-Perceiver 的比较

方法

1. 统一的通用感知模型

Uni-Perceiver 的统一模型架构如图 2 所示。模型首先将文本、图像、视频不同模态的数据使用对应的 tokenizer 转换为具有同一特征维度的 token 序列，并将不同模态的信息拼接起来，使用一个统一的 Transformer 编码器提取特征。

对于不同的感知任务，Uni-Perceiver 使用相同的模型和共享的一套参数进行建模。相比于传统 backbone + prediction head 的范式，Uni-Perceiver 不包括对每个任务单独设计的 head，而是将不同的任务建模为统一的形式。具体而言，对于每个任务，可以定义其输入集合

和候选目标集合

。对于给定的输入

，任务被定义为寻找x在候选目标集合

中最相似的目标

，即

其中，p ( x , y ) 表示输入和候选目标的联合概率分布。Uni-Perceiver 使用特征的余弦相似度建模联合概率分布，即

其中，

表示 Transformer 编码器，

表示一个可学习的温度系数。

Uni-Perceiver 适用于任意由图像 / 视频 / 文本组成输入和候选目标集合的任务。例如，分类任务中的目标集合

可以是一组类别名（如 dog）、一组类别描述（如 a kind of fish living in deep sea），甚至可以是一组手写的类别编号的图像。除此之外，作者在文中提到，这篇论文专注于文本、图像和视频模态，但 Uni-Perceiver 也可拓展到更多模态上。

图 2 统一模型架构

2. 多模态预训练

为了学习多模态的通用 representation，Uni-Perceiver 使用一系列单模态或跨模态任务进行了预训练。值得一提的是，在图像和视频分类任务中，作者将类别名称视作文本内容，这为连接起图像、视频和文本多个模态的 representation 提供了一定的监督。

图 3 展示了不同预训练任务的 input 和 target 的序列格式。图中，上标I、V、T分别代表来自图像、视频和文本模态的 token。

图 3 预训练任务格式

3. 应用于下游任务：Zero-shot, Prompt Tuning 和 Fine-tuning

相比于额外增加 prediction head 并 finetune 的方式，Uni-Perceiver 可将预训练模型更高效地迁移到下游任务上。本文中，作者考虑三种不同场景：零样本（Zero-shot），少样本（Few-shot）和全量数据，并对三种情况分别介绍。

在新任务上的 Zero-shot 推理：Uni-Perceiver 可以对预训练阶段没有见过的全新任务进行零样本推理，在不经过任何额外训练和调整的情况下取得合理的效果。

Prompt Tuning：在下游任务数据量有限的场景下，通过 Prompt Tuning，Uni-Perceiver 可以在仅调整小部分模型参数的情况下取得接近全数据 SOTA 的结果。

Fine-tuning：当下游任务数据量足够时，Uni-Perceiver 的预训练模型可以通过 fine-tuning 取得超过 SOTA 或与 SOTA 不相上下的结果。

实验

Uni-Perceiver 在表 1 所示的大规模单模态和多模态数据集上进行了训练。实验中，作者使用与 BERT-base 相同配置的 Transformer 编码器。在每次迭代中，每个 GPU 独立采样任务和数据集，并在梯度反向传播之后同步不同 GPU 之间的梯度。该模型在 128 个 Tesla V100 GPU 上以分布式方式进行了 50 万次迭代的预训练。

表 1 预训练数据集

研究者接下来在多项任务上对预训练模型进行了评估，包括预训练中出现过的任务（Image Classification, Image-Text Retrieval, Image Caption）以及与预训练不同的任务（Video Caption, Video-Text Retrieval, VQA）。表 2 – 表 8 展示了这些结果。实验表明，和具有相似模型尺寸的 task-specific SOTA 方法相比：

在不经任何调整的情况下，Uni-Perceiver 即可以达到合理的精度。值得注意的是，对于预训练中不存在的任务，由于 task-specific head 的限制，现有的其他工作无法执行这种类型的 zero-shot 推理。
通过 1% 的数据对少量模型参数进行 Prompt Tuning，Uni-Perceiver 即可以接近 SOTA 的效果。
进一步全数据 Fine-tune 可以使模型在某些任务上超过 SOTA 结果，并在其他任务上取得与 SOTA 相媲美的精度。