論文まとめ：BLIP-2: Bootstrapping Language-Image Pre-training with Frozen Image Encoders and Large Language Models

Posted On 2023-02-02

9.2k{icon} {views}

タイトル：BLIP-2: Bootstrapping Language-Image Pre-training with Frozen Image Encoders and Large Language Models
著者：Junnan Li, Dongxu Li, Silvio Savarese, Steven Hoi（Saleforce Research）
論文URL：https://arxiv.org/abs/2301.12597
コード：https://github.com/salesforce/LAVIS/tree/main/projects/blip2
HuggingFace：https://huggingface.co/spaces/taesiri/BLIP-2

ざっくりいうと

視覚言語（V&L）モデルにおいて、事前学習コストを減らしつつ精度を出すための研究
事前訓練済みの画像モデル、大規模言語モデルをそのまま使い、「Q-Former」というモダリティアラインメント機構を導入することで、高いゼロショット転移能力や言語生成を維持
Flamingo80Bより54倍少ない学習パラメーターで、SoTA性能を達成

大規模モデルの訓練のため、Vision-Language（V&L）事前訓練がますます高コストになっているので、減らしたい
言語モデル、特に大規模言語モデル(LLM)は、強力な言語生成能力とゼロショット転移能力がある
- 事前学習中にLLMを凍結したい理由：破滅的忘却、計算コスト
ユニモーダルなモデルを、V&L事前学習に活用するには、クロスモーダルアライメントの促進が重要
- LLMは画像を見ていないため、V&Lのアライメントが困難
- 既存の手法（FrozenやFlamingo）はテキスト生成の損失関数に頼っていて、アラインメント機能が不十分
BLIP-2では、このアラインメントを取るためにクエリ変換器（Q-Former）を提唱
- 画像エンコーダーとLLMの渡しの役割のボトルネックモジュール。両者間の表現のギャップを埋めたい
- Q-Formerは学習可能なクエリベクトル群
- 学習するのはQ-Formerの部分

BLIP-2は、事前学習済みの画像エンコーダーと、固定の大規模言語モデルからV&Lのブートストラップすることで事前学習を効率化。2段階からなる
- 1段階目：固定の画像エンコーダーから、V&Lの表現をブートストラップ
- 2段階目：固定の言語モデルから、画像→言語の生成をブートストラップで学習
既存の手法より、学習パラメーターが著しく少ないが、様々なV&LタスクでSoTA。
- ゼロショットVQAv2では、Flamingo80Bより、54倍少ない学習パラメーターで、8.7％上回る性能
言語の指示に従った、画像→テキストのゼロショット生成ができ、画像をインプットとした対話も可能

Q-Formerは2つのサブモジュールからなる

Q-FormerはBERTbaseで188Mのパラメーターからなり、事前学習済みの係数で初期化
Learned Queriesの部分は、画像エンコーダーの特徴量をボトルネックにする構造
- 例：ViT-L/14が257×1024の特徴 → Q-FormerのクエリZが32×768
- お気持ち：テキストに最も関連する視覚情報をクエリに抽出させたい

3つのマッチング戦略（図の右）ごとに、異なるSelf-Attention Maskを使う

モデル全体図としては、Q-FormerをLLMにFC層を通じて接続する
- FC層：クエリの埋め込み→LLMのテキスト埋め込みへの投射
- LLMがいい感じに出力するための、プロンプトの最適化

（少ししか記述がなく、モデルの二段階と学習の二段階が同じ「stage」と表現されているため、若干わかりづらい）

学習の1段階目
- Q-Formerの出力を、テキストの表現に最も一致させるように学習
- （私の勝手な想像）Q-FormerのContrastive Learningだけやる
学習の2段階目
- LLMをつなげてテキスト生成させて学習

学習パラメーターが少なく、SoTAだった。Flamingoとの比較がわかりやすい

画像-テキストの検索タスクの結果。Flicker 30KのZeroshotでTop1で97.6%はすごい。CLIP派生のモデル（ALIGNやFlorenceなど）とくらべて、Text→Imageの検索が急速によくなっている

Saleforceがいい感じのライブラリを作っているので、とても簡単に使えて便利。モデルを公開してくれて商用利用もできるのが◎
（最近のモデル特有だが）非常にメモリがいる
- FlanT5-XXLのモデルの場合、メモリ64GBでギリギリ
- 推論も時間かかり、16vCPUのインスタンスでCPU、1サンプル6分程度かかることもある（おそらくトークンの長さ次第）
時間気にしないでやるなら良さそう。GPUで使うのはVRAM確保が大変そう
- 最大モデルで、ChatGPTのようなリアルタイムな対話生成は（ご家庭にあるような環境だと）まだ厳しそう
HuggingFaceのデモがT4で動いているので、OPT2.7Bぐらいに絞れば行けそう
- https://huggingface.co/spaces/taesiri/BLIP-2
（BLIPからできるが）マルチモーダルな特徴抽出ができるため、これが面白そう
- https://github.com/salesforce/LAVIS#unified-feature-extraction-interface
- 23/2/2現在できるのは、ALBEFとBLIPだけでBLIP-2ではできないらしい

（この手のV&L Grounding系は理解が難しい論文が多いが）、「Q-Formerの部分だけ学習させる」がメインで発想は単純
訓練コストは（ご家庭にあるGPUレベル基準だと）多いのか少ないのかわからないが、この手のモデルにしては訓練コストが少ない。使うときはデプロイ周りがちょっと大変そう
ツヨツヨ訓練済みLLMを使えるのは強い。当たり前のようにFlanT5を使っていたのが驚いた

Shikoan's ML Blogの中の人が運営しているサークル「じゅ～しぃ～すくりぷと」の本のご案内