Jul, 2021

在融合之前对齐:使用动量蒸馏进行视觉和语言表示学习

TL;DR本研究介绍了一种名为ALBEF的对齐图像和文本表示的方法,该方法利用交叉模态注意力通过对比损失对齐视觉和语言特征,以实现更可靠的视觉和语言表征学习。研究表明,该方法在多种下游视觉语言任务上实现了最好的性能。