AGREE: Aligning Cross-Modal Entities for Image-Text Retrieval Upon Vision-Language Pre-trained Models

计算机科学 排名(信息检索) 情态动词 人工智能 图像(数学) 任务(项目管理) 自然语言处理 构造(python库) 图像检索 情报检索 模式 模式识别(心理学) 化学 管理 高分子化学 经济 程序设计语言 社会科学 社会学
作者
Xiaodan Wang,Lei Li,Zhixu Li,Xuwu Wang,Xiangru Zhu,Chengyu Wang,Jun Huang,Yanghua Xiao
标识
DOI:10.1145/3539597.3570481
摘要

Image-text retrieval is a challenging cross-modal task that arouses much attention. While the traditional methods cannot break down the barriers between different modalities, Vision-Language Pre-trained (VLP) models greatly improve image-text retrieval performance based on massive image-text pairs. Nonetheless, the VLP-based methods are still prone to produce retrieval results that cannot be cross-modal aligned with entities. Recent efforts try to fix this problem at the pre-training stage, which is not only expensive but also unpractical due to the unavailable of full datasets. In this paper, we novelly propose a lightweight and practical approach to align cross-modal entities for image-text retrieval upon VLP models only at the fine-tuning and re-ranking stages. We employ external knowledge and tools to construct extra fine-grained image-text pairs, and then emphasize cross-modal entity alignment through contrastive learning and entity-level mask modeling in fine-tuning. Besides, two re-ranking strategies are proposed, including one specially designed for zero-shot scenarios. Extensive experiments with several VLP models on multiple Chinese and English datasets show that our approach achieves state-of-the-art results in nearly all settings.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
hi_traffic完成签到,获得积分10
刚刚
等待鸽子完成签到,获得积分10
2秒前
2秒前
望江南完成签到,获得积分10
2秒前
可爱的函函的应助被xiaoxin采纳,获得10
3秒前
3秒前
研友_VZG7GZ的应助被徐继圣采纳,获得10
5秒前
acs924完成签到,获得积分10
5秒前
guangzhui完成签到 ,获得积分10
6秒前
冬冬完成签到,获得积分0
7秒前
听雨落声完成签到 ,获得积分10
7秒前
12完成签到 ,获得积分10
8秒前
zhang发布了新的文献求助10
8秒前
9秒前
snowdrift完成签到,获得积分10
10秒前
香蕉山芙完成签到 ,获得积分10
10秒前
10秒前
nusiew完成签到,获得积分10
11秒前
糊涂的砖头完成签到,获得积分10
12秒前
Epoch完成签到,获得积分10
12秒前
天成完成签到 ,获得积分10
15秒前
xiaoxin发布了新的文献求助10
15秒前
六六发布了新的文献求助10
15秒前
Holden完成签到 ,获得积分10
18秒前
不朽丶哀默完成签到,获得积分10
19秒前
郭玉强完成签到,获得积分10
20秒前
赘婿的应助被zhang采纳,获得10
20秒前
二分三分完成签到,获得积分10
21秒前
玄轩小悟风完成签到,获得积分10
24秒前
美满的珠完成签到 ,获得积分10
25秒前
001完成签到,获得积分10
26秒前
喀纳斯发布了新的文献求助10
27秒前
小太阳完成签到,获得积分10
28秒前
30秒前
唠嗑在呐完成签到,获得积分10
31秒前
35秒前
longtengfei完成签到,获得积分10
35秒前
Anoxra完成签到 ,获得积分10
37秒前
蓝景轩辕完成签到 ,获得积分0
37秒前
布吉布完成签到,获得积分20
39秒前
高分求助中
(应助此贴封号)【重要!!请各用户(尤其是新用户)详细阅读】【科研通的精品贴汇总】 10000
IRTSD: Open-Source Data and Toolset for Electromagnetic Transient Analysis of Disturbances and IBR Control Malfunctions in Transmission Systems 1000
Spec 401: Standards for Jet Fuel Facility and Equipment Commissioning and Flushing at Airports, 2026.1 (Original Issue) 1000
Spec 103: Standard for Jet Fuel Quality Control at Airports, Revision 2026.1 1000
Les Mots du discours 600
A Consideration on Use of Material Grades for Hull Structural Members Based on Fracture Toughness(Second Report) 500
AI Disclosure in Annual Reports: Evolution, Determinants, and Capital Market Participants’ Perceptions 500
热门求助领域 (近24小时)
化学 材料科学 医学 生物 纳米技术 计算机科学 工程类 有机化学 化学工程 生物化学 物理 复合材料 内科学 催化作用 光电子学 人工智能 细胞生物学 无机化学 物理化学 数学
热门帖子
关注 科研通微信公众号,转发送积分 8108822
求助须知:如何正确求助?哪些是违规求助? 9516621
关于积分的说明 21503831
捐赠科研通 7685629
什么是DOI,文献DOI怎么找? 3411023
关于科研通互助平台的介绍 2538334
邀请新用户注册赠送积分活动 2450951