Apr, 2021
突破常规:端到端预训练用于视觉-语言表示学习
Seeing Out of tHe bOx: End-to-End Pre-training for Vision-Language
Representation Learning
TL;DR该研究提出一种名为SOHO的视觉-语言预训练模型,采用卷积神经网络和Transformer联合训练的方法,基于整个图像进行学习,并使用视觉字典的方法提取综合而紧凑的图像特征,来实现跨模态的对齐和理解。在四个视觉-语言任务上进行了实验,相对于目前最先进的方法具有更好的性能。