CLIP，GLIP论文解读，清晰明了

CLIP：Contrastive Language-Image Pre-training

论文名称：Learning Transferable Visual Models From Natural Language Supervision

原论文地址：https://arxiv.org/abs/2103.00020

GLIP论文名称：Grounded Language-Image Pre-training

原论文地址： https://arxiv.org/abs/2112.03857

是的没错，开篇必须说点啥是我的特色，大连疫情了，整个假期啥事没有，一开学就疫情，另外才知道发核心才能毕业哦呵呵呵，我笑噶了。本文介绍两篇论文，目标抓紧开题！

目录

1. CLIP干啥的

2. GLIP

2.1 怎么将两个任务相结合的

2.2 预训练数据集

2.3 模型总体框架

3. 升级版：GLIPV2

---

1. CLIP干啥的

CLIP就是用对比学习的方式，去训练一个视觉语言的多模态模型，给定一个图像文本对，图像通过图像的编码器，文本通过文本的编码器，得到一系列图像文本的特征，其中对应的图像文本对 - 到-都是正样本，因为这些文本描述的就是这个图片，那么所有不在对角线上的这些元素都称为负样本，比如说跟之间就没有对应关系，所以称为负样本，那么用这个简单的对比学习目标函数，在一个4亿的图像文本对上训练完之后，这个CLIP模型就有了超能力，Zero Shot就飞起了。

在推理的时候，如果想给任意的一张图片去做分类，就可以把它可能的那些标签做一个template，（这是一个啥啥的图片），把这些文本都传给一个文本编码器，就可以得到一系列的文本特征，有多少标签就能得到多少个文本特征，通过计算图像特征跟文本特征的相似度，得到的最大的相似度所对应的文本标签就是我们想要的结果。

​

2. GLIP

这篇论文做的任务是phrase grounding（利用指定描述的语句进行标定图片中所显示的物体），属于visual grounding（视觉基础训练）的一种。phrase grounding的任务是输入句子和图片，对于给定的sentence，要定位其中提到的全部物体然后框出来。

对比一下的话，目标检测是给你一个图片，把bounding box找出来，visual grounding就是给你一个图片，再给一个文本，根据这个文本把物体找出来。此篇文章就是将两个任务结合，把detection和phrase grounding两个任务合起来，变成一个统一的框架，来做模型的与训练，再把尾标签的一系列方法加进来（self-training），就可以实现在没有标注过的图像文本对上生成bounding box标签。

Zero Shot：给一些标签或者一句话，通过GLIP模型得到检测框

2.1 怎么将两个任务相结合的

对于目标检测和phrase grounding来说，训练目标函数是一个分类的loss加一个定位的loss，其中这个定位的loss两者差不多，区别就在于怎么来计算这个分类的loss。

目标检测的分类loss：给定一个图片，有一个此图像的backbone，就可以得到这个region embedding，上图的这个O就是一个Nxd的region embedding，意思就是假如说有N个bounding box，每个bounding box embedding的维度就是d，然后就是接了一个分类头，看看每一个bounding box里面的物体到底是哪个类，那么这个分类头就是一个矩阵W，它的维度就是cxd，c是有多少个类别，然后把region embedding和W相乘之后就可以得到最后这个分类的logic，再用NMS把这些bounding box筛选一下，跟ground truth（正确标记的）算cross entropy loss（交叉熵损失）就能得到最终的这个分类loss。

vision grounding的分类loss：算了一个匹配的分数S，看图像中的区域和句子里的单词如何匹配，也是给定一个图片，有一个image backbone，得到这个region embedding，然后给了一个句子prompt，通过一个文本编码器得到文本的embedding P，之后跟图像的embedding O 算一下similarity，就可以得到最终的这个分数，

把目标检测和vision grounding联合：判断什么时候是positive match，什么时候是negative match

2.2 预训练数据集

用已有的数据集不够，想把数据集变大，就需要借鉴于unlable的data，引入图像文本对来增加数据集，为了训练这个的目标检测模型，必须得有bounding box的ground truth，还需要知道这个bounding box对应于句子里的哪个单词，所以作者就采取self training，借鉴伪标签的方式，就是说他拿已经训练好的这个glip-tiny c，直接在这些图像文本对上做推理，他推理出来当前的图片上有哪些bounding box，他就把这些bounding box当成ground truth。可能有错误所以叫做伪标签，用了之后模型的稳健性更好。

2.3 模型总体框架

目标函数怎么算的：做了一个有监督的学习的工作，时时刻刻都是有bounding box annotation，当抽出来O1,O2这些region的时候，是知道跟上面的单词是一一对应的，这样在算完这个O和P的这个相似度点乘之后，就可以去跟ground truth来算Alignment Loss，就完成了文本和图像特征之间的融合，就可以进一步的来做zero shot，对于这个定位的loss来说，因为有ground turth，就直接算一个L-1loss就可以。

Deep Fusion：将文本的特征和图像的特征抽出来之后，理论上是可以算后面这个相似度矩阵的，但是如果直接这么算的话，这个图像文本的joint embedding space （联合的特征提取）还没学好，如果多加一些层数，让他们之间融合一下，可能学的更好，相似的概念拉的更近，能让最后的文本特征和图像特征更好，更有关联性，这样再算后面的相似度的时候，就更有针对性。具体操作：用cross attention把这个文本和图像的特征进行交互，

3. 升级版：GLIPV2

论文名称：GLIPV2：Unifying Localization and VL Understanding

原论文地址：https://arxiv.org/pdf/2206.05836.pdf

卷起来了，他融合了更多的数据集，更多的任务，加入了一个VQA（Visual Question Answering）能回答问题了和Image Caption(图片说明)，如图

4. 小小总结

数据集大力出奇迹，老鼻子数据，训练训练就贼准，发论文的密码掌握了