多模态模型论文最全总结

发布时间：2024年01月24日

在这里插入图片描述

?专栏介绍： 本作者推出全新系列《深入浅出多模态》专栏，具体章节如导图所示（导图后续更新），将分别从各个多模态模型的概念、经典模型、创新点、论文综述、发展方向、数据集等各种角度展开详细介绍，欢迎大家关注。

💙作者主页: GoAI |💚 公众号: GoAI的学习小屋 | 💛交流群: 704932595 |💜个人简介 ： 掘金签约作者、百度飞桨PPDE、领航团团长、开源特训营导师、CSDN、阿里云社区人工智能领域博客专家、新星计划计算机视觉方向导师等，专注大数据与AI 知识分享。

💻文章目录

《深入浅出多模态》（一）：多模态模型论文最全总结

👨?💻导读： 本文为《深入浅出多模态》系列第一章，《多模态模型论文最全总结》将从整体介绍多模态模型发展，结合综述对各个模型按照发展时间线及发展对应关系进行介绍，后续将对其中经典及最新多模态模型进行解决，从具体论文、数据集、代码、模型结构、结果等角度分析，本专栏适合从事多模态小白及爱好者学习，欢迎大家关注，如有侵权请联系删除！

多模态模型最全总结

1.多模态模型综述总结

1.VLP：A Survey on Vision-Language Pre-training

2.A Survey of Vision-Language Pre-Trained Models

3.A SURVEY OF RESOURCE-EFFICIENT LLM AND MULTIMODAL FOUNDATION MODELS

4.微软研究院CVPR2023多模态大模型总结

视频: 多模态大模型：向建设和超越多模态 GPT-4 迈进

PPT：多模态大模型

2.多模态相关github总结：

  1. 多模态大型语言模型的最新论文和数据集及其评估

  2. 跨任务、跨语言和跨模态的大规模自监督预训练(微软)、包括Beit系列、kosmos1/2/2.5/g、unilm

  3. salesforce：https://github.com/salesforce/LAVIS

3.多模态论文综述：

在这里插入图片描述

4.开源多模态大模型总览

开源模型单位包含模型参数量
KOSMOS-2微软1.6B
OpenFlamingo微软MPT9B
BLIP-2SalesforceOPT.FlanT512B
InstructBLIPSalesforceLLaMA7B,13B
MiniGPT-4KAUSTLLaMA7B
LLaMA-Adapter V2上海人工智能实验室LLaMA7B
ImageBindMetaViT.CLIP
ChatBridge中科院自动化所LLaMA7B
VisualGLM-6B清华大学ChatGLM7.8B
VisCPM清华大学CPM-Bee10B
mPLUG-Owl阿里巴巴LLaMA7B
mPLUG-Owl2阿里巴巴
Qwen-VL阿里巴巴Qwen9.6B
CogVLM、CogAgent

最新模型后续待更新！！！！

多模态模型时间线

以下是按时间排序的不完整的多模态系统列表！

多模态发展关系图：

在这里插入图片描述

  1. ViLT：多模态学习之前都是Oscar或者Uniter的这些工作，但他们的缺陷是因为用了Object Detection的模型做视觉特征抽取，所以速度太慢，在Vision Transformer之后，Vilt的作者用一个Vision Transformer去代替vision特征提取，只用一个Embedding层大大简化了模型结构，所以结合VIT和Oscar推出了ViLT。
  2. ALBEF：ALBEF的作者发现Clip比较高效，适合做图像文本检索，原始的方法因为Modality Fusion做得很好，所以多模态任务非常强，ViLT结构比较简单，所以最后综合各算法长处推出了ALBEF这样一个Fusion Encoder的模式.
  3. CoCa：SimVLM用Encoder Decoder去做多模态，在ALBEF的基础上推出了CoCa，用一个Contrast和Captioning两个Loss训练出非常强大的模型。
  4. VLMO：微软根据ALBEF和Vilt，提出VLMO，用共享参数的方式做一个统一的多模态的框架
  5. BLIP：ALBEF的作者基于参数共享的思想，基于可以用很多Text Branch，提出Blip的模型，能做非常好的Captioning功能，而且它的Caption Filter模型非常好用，能够像一个普适工具一样用到各种各样的情形中。
  6. BEIT：ViT也用Mask Data Modeling的方式做Self-Supplied Learning，但是效果不是很好，而微软团队认为Mask Data Modeling是非常有前景的方向，所以顺着Bert的思想提出BEIT，号称计算机视觉界的Bert Moment，很快又推出BEITv2，但这个主要做视觉任务，不是多模态。
  7. Vision Language BEIT：BEIT可以在视觉上做Mask Modeling，Bert可以在文本上做Mask Modeling，因此作者将视觉和文本合在一起，推出VL-BEIT
  8. BEITv3：该团队将VLMO, VLBEIT和BEITv2三个工作合起来，推出多模态的BEITv3，大幅超过了CoCa, Blip在单模态和多模态上的各种表现。
  9. MAE：Mask Auto Encoder，主要是Mask and Predict Pixel(BEIT是Mask and Predict Patch),其实Vision Transformer都已经做，但是效果都不是很好，BEIT和MAE都把效果推到一个非常高的高度
  10. Flip：Fast Language Image Prediction，MAE有一个非常好的一个特性，就是在视觉端把大量的Patch全都Mask掉之后，只把没有Mask过的Patch送入Vision Transformer学习，大大减少了计算量，Flip把MAE的这个有用的特性用到Clip的结构里，模型就是Clip没有任何的改变，只不过在视觉端跟MAE一样，只用没有Mask的Token，这样就把Sequence Length降低了很多，训练就快了。
文章来源:https://blog.csdn.net/qq_36816848/article/details/135794758
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
最新文章