Vision-Language Pre-Training with Triple Contrastive Learning

计算机科学 模态(人机交互) 嵌入 代表(政治) 人工智能 图像(数学) 特征学习 情态动词 自然语言处理 机器学习 化学 政治 政治学 高分子化学 法学
作者
Jinyu Yang,Jiali Duan,Son N. Tran,Yi Xu,Sampath Chanda,Li‐Qun Chen,Belinda Zeng,Trishul Chilimbi,Junzhou Huang
标识
DOI:10.1109/cvpr52688.2022.01522
摘要

Vision-language representation learning largely benefits from image-text alignment through contrastive losses (e.g., InfoNCE loss). The success of this alignment strategy is attributed to its capability in maximizing the mutual information (MI) between an image and its matched text. However, simply performing cross-modal alignment (CMA) ignores data potential within each modality, which may result in degraded representations. For instance, although CMA-based models are able to map image-text pairs close together in the embedding space, they fail to ensure that similar inputs from the same modality stay close by. This problem can get even worse when the pre-training data is noisy. In this paper, we propose triple contrastive learning (TCL) for vision-language pre-training by leveraging both cross-modal and intra-modal self-supervision. Besides CMA, TCL introduces an intra-modal contrastive objective to provide complementary benefits in representation learning. To take advantage of localized and structural information from image and text input, TCL further maximizes the average MI between local regions of image/text and their global summary. To the best of our knowledge, ours is the first work that takes into account local structure information for multi-modality representation learning. Experimental evaluations show that our approach is competitive and achieves the new state of the art on various common downstream vision-language tasks such as image-text retrieval and visual question answering.
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
更新
大幅提高文件上传限制,最高150M (2024-4-1)

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
550发布了新的文献求助10
1秒前
syaaaaaa完成签到,获得积分10
2秒前
有魅力彤完成签到,获得积分10
2秒前
科研通AI2S应助杨杨杨采纳,获得10
3秒前
5秒前
英俊的铭应助石头采纳,获得10
5秒前
子在完成签到,获得积分10
6秒前
7秒前
7秒前
幕帆应助神经娃采纳,获得10
9秒前
科研通AI2S应助Zn0103采纳,获得10
9秒前
科研蠢狗完成签到 ,获得积分10
9秒前
12秒前
fff发布了新的文献求助10
12秒前
Orange应助稳重向南采纳,获得10
13秒前
荔枝要吃冰的完成签到,获得积分10
13秒前
筱筱发布了新的文献求助10
14秒前
猜猜我是谁完成签到,获得积分10
15秒前
阿西吧完成签到 ,获得积分10
15秒前
16秒前
柳叶刀小猪应助qiaoke采纳,获得50
16秒前
JamesPei应助fff采纳,获得10
16秒前
pluto应助二月兰采纳,获得10
16秒前
浚稚发布了新的文献求助20
17秒前
Sissi完成签到,获得积分10
17秒前
SUN发布了新的文献求助10
20秒前
优雅的lord发布了新的文献求助10
20秒前
赘婿应助vn采纳,获得10
21秒前
毕长富完成签到,获得积分10
22秒前
香蕉觅云应助huahua采纳,获得10
22秒前
啊哈发布了新的文献求助30
23秒前
23秒前
chenyinglin发布了新的文献求助10
24秒前
软甜纱雾完成签到,获得积分10
24秒前
24秒前
CipherSage应助冷傲的柜子采纳,获得10
25秒前
神经娃完成签到,获得积分10
26秒前
在雨里思考完成签到,获得积分10
27秒前
大胆的如容完成签到,获得积分10
27秒前
良辰应助稳重向南采纳,获得10
28秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
Semiconductor Process Reliability in Practice 1500
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 1000
Smart but Scattered: The Revolutionary Executive Skills Approach to Helping Kids Reach Their Potential (第二版) 1000
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 700
中国区域地质志-山东志 560
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3242929
求助须知:如何正确求助?哪些是违规求助? 2887037
关于积分的说明 8245962
捐赠科研通 2555600
什么是DOI,文献DOI怎么找? 1383752
科研通“疑难数据库(出版商)”最低求助积分说明 649728
邀请新用户注册赠送积分活动 625625