百度首創(chuàng)地提出了語言與視覺一體的預訓練方法 UNIMO，提供了一種新的統(tǒng)一模態(tài)學習范式，打破了文本、圖像和圖文對等數(shù)據(jù)間的邊界，讓機器可以像人一樣利用大規(guī)模異構模態(tài)數(shù)據(jù)，學習語言知識與視覺知識并相互增強，從而實現(xiàn)感知與認知一體的通用 AI 能力。

百度在 2021 年深度學習開發(fā)者峰會 WAVE SUMMIT 上開源了語言與視覺一體的預訓練模型 ERNIE-UNIMO，其核心方法 UNIMO 已經被 NLP 頂級會議 ACL 2021 主會正式錄用為 oral 長文。

在機器之心 7 月 31 日舉辦的 ACL 2021 論文分享會上，本文第一作者李偉詳細介紹了他們的這項研究成果，感興趣的同學可以點擊閱讀原文查看回顧視頻。

AI 系統(tǒng)能否像人一樣，使用一個統(tǒng)一的大腦模型，實現(xiàn)感知認知一體的通用能力？基于此出發(fā)點，百度提出的 UNIMO 試圖構建面向各種不同模態(tài)的統(tǒng)一預訓練模型。

論文地址：https://arxiv.org/abs/2012.15409

代碼地址：https://github.com/PaddlePaddle/ERNIE/tree/develop/ernie-unimo

此方法首創(chuàng)的同時還能學習大量的文本、圖像、圖文對數(shù)據(jù)，通過跨模態(tài)對比學習，有效的讓語言知識與視覺知識進行統(tǒng)一表示和相互增強。UNIMO 在語言理解與生成、跨模態(tài)理解與生成，4 類場景共 13 個任務上超越主流的文本預訓練模型和跨模態(tài)預訓練模型，同時登頂視覺問答榜單 VQA、文本推理榜單 aNLI 等權威榜單，首次驗證了通過非平行的文本與圖像等單一模態(tài)數(shù)據(jù)，能夠讓語言知識與視覺知識相互增強。目前 UNIMO 已經逐步在百度的產品中落地應用。

UNIMO 方法介紹

大數(shù)據(jù)是深度學習取得成功的關鍵基礎之一。根據(jù)應用數(shù)據(jù)的模態(tài)不同，深度學習應用領域大體包括：在文本數(shù)據(jù)上進行自然語言處理，在視覺數(shù)據(jù)上進行視覺應用，在圖文數(shù)據(jù)上進行跨模態(tài)應用。顯然，人類大腦對各種模態(tài)數(shù)據(jù)的學習并非獨立的，比如，人類大腦在看到圖片之后能夠自動聯(lián)想到相關的語言知識，反之亦然。對各種模態(tài)數(shù)據(jù)的融會貫通，使得人類能夠充分學習各類語言、視覺、語音知識并相互增強，通過統(tǒng)一的模型展現(xiàn)出強大的智能水平。那么，基于深度學習的 AI 系統(tǒng)是否也能像人一樣同時學習異構模態(tài)數(shù)據(jù)呢？如果能夠實現(xiàn)，無疑將進一步打開深度學習對大規(guī)模數(shù)據(jù)利用的邊界，從而進一步提升 AI 系統(tǒng)的感知與認知一體的通用 AI 能力。

為此，百度提出面向異構模態(tài)數(shù)據(jù)的統(tǒng)一預訓練方法 UNIMO，同時使用文本、圖像和圖文對數(shù)據(jù)進行訓練，學習文本和圖像的統(tǒng)一語義表示，從而具備同時處理多種單一模態(tài)和跨模態(tài)下游任務的能力。UNIMO 的核心模塊是一個 Transformer 網絡，在具體訓練過程中，文本、圖像和圖文對三種模態(tài)數(shù)據(jù)隨機混合在一起，其中圖像被轉換為目標（object）序列，文本被轉換為詞（token）序列，圖文對被轉換為目標序列和詞序列的拼接。UNIMO 對三種類型數(shù)據(jù)進行統(tǒng)一處理，在目標序列或者詞序列上基于掩碼預測進行自監(jiān)督學習，并且基于圖文對數(shù)據(jù)進行跨模態(tài)對比學習，從而實現(xiàn)圖像與文本的統(tǒng)一表示學習。進一步的，這種聯(lián)合學習方法也讓文本知識和視覺知識互相增強，從而有效提升文本語義表示和視覺語義表示的能力。

異構模態(tài)的統(tǒng)一預訓練最大的挑戰(zhàn)是如何跨越不同模態(tài)間的語義鴻溝從而實現(xiàn)語義表示的統(tǒng)一。如下圖所示，UNIMO 提出了創(chuàng)新的跨模態(tài)對比學習方法，同時引入相關聯(lián)的圖文對數(shù)據(jù)、文本數(shù)據(jù)和圖像數(shù)據(jù)進行聯(lián)合對比學習。具體地，UNIMO 通過文本改寫的方式，對圖文對進行數(shù)據(jù)增廣，獲得大量的正例和強負例圖文對數(shù)據(jù)。同時為了更好的利用文本和圖像數(shù)據(jù)，UNIMO 通過文本與圖像檢索，獲得相關的圖像和文本作為正例。這樣利用擴充后的多種類型的正例以及高質量強負例，UNIMO 在統(tǒng)一的語義空間上進行聯(lián)想對比，從而能夠學習到精確對齊的跨模態(tài)語義表示。

UNIMO 實驗結果

在實驗方面，UNIMO 使用了大量的文本、圖像和圖文數(shù)據(jù)進行聯(lián)合學習，同時在各種單一模態(tài)和跨模態(tài)下游任務上進行驗證。預訓練數(shù)據(jù)部分，文本語料包括 Wikipedia、BookCorpus、OpenWebText 等共 54G 語料；圖像數(shù)據(jù)是從互聯(lián)網爬取的 170 萬張圖像；而圖文對數(shù)據(jù)則包括 COCO Caption、Visual Genome、Conceptual Caption、SBU Caption。下游任務既包括圖文搜索、視覺問答、圖描述生成、視覺推斷等跨模態(tài)任務，也包括文本分類、閱讀理解、文本摘要、問題生成等各種文本任務。模型上，Base 基于 12 層的 Transformer，而 Large 使用 24 層。

在跨模態(tài)任務上，論文主要對比 ViLBERT、UNITER、Oscar、Villa 等最新的跨模態(tài)預訓練模型。實驗結果表明，UNIMO 在圖文檢索 Flick、視覺推斷 SNLI-VE、視覺問答 VQA、圖描述生成 CoCo Caption 上均穩(wěn)定地超過此前的各種預訓練模型，充分說明了統(tǒng)一預訓練 UNIMO 模型能夠有效地處理各種跨模態(tài)任務。

特別地，UNIMO 同時還能處理純文本任務。此前的跨模態(tài)預訓練模型，在處理純文本任務的時候效果急劇下降，部分任務下降幅度甚至超過 10-20 個點。而 UNIMO 在各類文本理解和生成任務上，包括文本分類、文本推斷、文本摘要、閱讀理解和問題生成，均取得不錯的效果，超過 RoBERTa、XLNet、UniLM 等經典文本模型。

為了驗證 UNIMO 進行單一模態(tài)和跨模態(tài)統(tǒng)一學習的必要性，論文進行了分離實驗。實驗結果表明，當不使用文本數(shù)據(jù)進行預訓練的時候，UNIMO 在跨模態(tài)任務上效果有所下降。而當不使用圖文對數(shù)據(jù)和圖像數(shù)據(jù)的時候，UNIMO 在文本任務上同樣會下降。這充分說明，UNIMO 統(tǒng)一學習的方式，能夠讓文本知識與視覺知識相互增強，有效提升任務效果。

UNIMO 應用

UNIMO 可以支持各類文本與跨模態(tài)任務，既可以支持以文搜圖和以圖搜文，也能支持根據(jù)圖片生成文字描述、根據(jù)文字描述自動生成圖片，還支持對圖片內容進行問答。當然，UNIMO 也支持純語言的任務，如文本推理、閱讀理解、文本生成等。從實際應用任務的結果來看，研究發(fā)現(xiàn) UNIMO 能夠讓視覺和語言互相增強，從而實現(xiàn)更好的應用效果。目前部分技術已經開始在百度搜索中落地，幫助用戶獲取更符合需求的圖片、視頻。這里看下實際任務上的樣例效果。

跨模態(tài)檢索：以文搜圖、以圖搜文

UNIMO 能夠根據(jù)文字描述搜索相關圖片，或者根據(jù)圖片搜索相關文本描述。從結果上看，UNIMO 能夠更準確的理解文字或圖片的語義，檢索出更匹配的圖片或文字。

跨模態(tài)問答:

UNIMO 也支持使用自然語言對圖片內容進行提問。UNIMO 能理解圖片中的內容和概念，并結合模型學習到的背景知識，準確的進行推理回答。

跨模態(tài)生成：根據(jù)文字生成圖片

UNIMO 能夠根據(jù)文字描述生成對應的圖片。從結果中，我們可以發(fā)現(xiàn) UNIMO 能夠很好的對齊視覺和語言的屬性和概念，從而生成準確清晰的圖片。

百度首創(chuàng)地提出了語言與視覺一體的預訓練方法 UNIMO，提供了一種新的統(tǒng)一模態(tài)學習范式，打破了文本、圖像和圖文對等數(shù)據(jù)間的邊界，讓機器可以像人一樣利用大規(guī)模異構模態(tài)數(shù)據(jù)，學習語言知識與視覺知識并相互增強，從而實現(xiàn)感知與認知一體的通用 AI 能力。或許，異構模態(tài)的統(tǒng)一學習是邁向通用人工智能的關鍵節(jié)點之一。未來百度將在統(tǒng)一模態(tài)學習上做出更多工作和應用，敬請期待。