Uma Introdução à Modelagem Visão-Linguagem

An Introduction to Vision-Language Modeling

May 27, 2024

Autores: Florian Bordes, Richard Yuanzhe Pang, Anurag Ajay, Alexander C. Li, Adrien Bardes, Suzanne Petryk, Oscar Mañas, Zhiqiu Lin, Anas Mahmoud, Bargav Jayaraman, Mark Ibrahim, Melissa Hall, Yunyang Xiong, Jonathan Lebensold, Candace Ross, Srihari Jayakumar, Chuan Guo, Diane Bouchacourt, Haider Al-Tahan, Karthik Padthe, Vasu Sharma, Hu Xu, Xiaoqing Ellen Tan, Megan Richards, Samuel Lavoie, Pietro Astolfi, Reyhane Askari Hemmat, Jun Chen, Kushal Tirumala, Rim Assouel, Mazda Moayeri, Arjang Talattof, Kamalika Chaudhuri, Zechun Liu, Xilun Chen, Quentin Garrido, Karen Ullrich, Aishwarya Agrawal, Kate Saenko, Asli Celikyilmaz, Vikas Chandra

cs.AI

Resumo

Com a recente popularidade dos Modelos de Linguagem de Grande Escala (LLMs), várias tentativas foram feitas para estendê-los ao domínio visual. Desde assistentes visuais que poderiam nos guiar por ambientes desconhecidos até modelos generativos que produzem imagens usando apenas uma descrição textual de alto nível, as aplicações dos modelos visão-linguagem (VLMs) terão um impacto significativo em nossa relação com a tecnologia. No entanto, há muitos desafios que precisam ser abordados para melhorar a confiabilidade desses modelos. Enquanto a linguagem é discreta, a visão evolui em um espaço de dimensão muito mais alta, no qual os conceitos nem sempre podem ser facilmente discretizados. Para entender melhor a mecânica por trás do mapeamento da visão para a linguagem, apresentamos esta introdução aos VLMs, que esperamos ajudar qualquer pessoa que deseje entrar no campo. Primeiro, introduzimos o que são VLMs, como eles funcionam e como treiná-los. Em seguida, apresentamos e discutimos abordagens para avaliar VLMs. Embora este trabalho se concentre principalmente no mapeamento de imagens para linguagem, também discutimos a extensão dos VLMs para vídeos.

English

Following the recent popularity of Large Language Models (LLMs), several attempts have been made to extend them to the visual domain. From having a visual assistant that could guide us through unfamiliar environments to generative models that produce images using only a high-level text description, the vision-language model (VLM) applications will significantly impact our relationship with technology. However, there are many challenges that need to be addressed to improve the reliability of those models. While language is discrete, vision evolves in a much higher dimensional space in which concepts cannot always be easily discretized. To better understand the mechanics behind mapping vision to language, we present this introduction to VLMs which we hope will help anyone who would like to enter the field. First, we introduce what VLMs are, how they work, and how to train them. Then, we present and discuss approaches to evaluate VLMs. Although this work primarily focuses on mapping images to language, we also discuss extending VLMs to videos.