<mark id="oztn4"></mark>
0
| 本文作者： 我在思考中 | 2021-08-12 15:03 |
AI 科技評(píng)論報(bào)道
編輯 | 陳大鑫
8月12日，AI 科技評(píng)論注意到，國(guó)際權(quán)威機(jī)器視覺問答榜單 VQA Leaderboard出現(xiàn)關(guān)鍵突破：阿里巴巴達(dá)摩院以81.26%的準(zhǔn)確率創(chuàng)造了新紀(jì)錄，讓AI在“讀圖會(huì)意”上首次超越人類基準(zhǔn)。繼2015年、2018年AI分別在視覺識(shí)別及文本理解領(lǐng)域超越人類分?jǐn)?shù)后，人工智能在多模態(tài)技術(shù)領(lǐng)域也迎來一大進(jìn)展。
圖注：達(dá)摩院AliceMind在VQA Leaderboard上創(chuàng)造首次超越人類的紀(jì)錄
比較難得的是，3年前，讓中國(guó)AI在文本理解領(lǐng)域歷史性超越人類的，同樣是達(dá)摩院AI研究團(tuán)隊(duì)。
VQA是什么？
近10年來，AI技術(shù)保持高速發(fā)展，AI模型已在多個(gè)任務(wù)和技能上達(dá)到超越人類的水平，比如在游戲領(lǐng)域，強(qiáng)化學(xué)習(xí)智能體 AlphaGo 2016 年擊敗了世界頂尖棋手李世石；在視覺理解領(lǐng)域，以 CNN 為代表的卷積類模型 2015 年在 ImageNet視覺分類任務(wù)上超越了人類成績(jī)；在文本理解領(lǐng)域，2018年微軟與阿里幾乎同時(shí)在斯坦福SQuAD挑戰(zhàn)賽上讓 AI 閱讀理解超越了人類基準(zhǔn)。
然而，在視覺問答VQA(Visual Question Answering）這一涉及視覺-文本多模態(tài)理解的高階認(rèn)知任務(wù)上，AI 過去始終未取得超越人類水平的突破。
“詩是無形畫，畫是有形詩。”宋代詩人張舜民曾如此描繪語言與視覺的相通之處。隨著深度學(xué)習(xí)、視覺理解、文本理解等領(lǐng)域高速發(fā)展，自然語言技術(shù)與計(jì)算機(jī)視覺交融逐漸成為多模態(tài)領(lǐng)域重要的前沿研究方向。其中，VQA是多模態(tài)領(lǐng)域挑戰(zhàn)極高的核心任務(wù)，解決VQA挑戰(zhàn)，對(duì)研發(fā)通用人工智能具有重要意義。
為鼓勵(lì)攻克這一難題，全球計(jì)算機(jī)視覺頂會(huì)CVPR從2015年起連續(xù)6年舉辦VQA挑戰(zhàn)賽，吸引了包括微軟、Facebook、斯坦福大學(xué)、阿里巴巴、百度等眾多頂尖機(jī)構(gòu)參與，形成了國(guó)際上規(guī)模最大、認(rèn)可度最高的VQA數(shù)據(jù)集，其包含超20萬張真實(shí)照片、110萬道考題。
VQA 是AI領(lǐng)域難度最高的挑戰(zhàn)之一。在測(cè)試中，AI需根據(jù)給定圖片及自然語言問題生成正確的自然語言回答。這意味著單個(gè)AI模型需融合復(fù)雜的計(jì)算機(jī)視覺及自然語言技術(shù)：首先對(duì)所有圖像信息進(jìn)行掃描，再結(jié)合對(duì)文本問題的理解，利用多模態(tài)技術(shù)學(xué)習(xí)圖文的關(guān)聯(lián)性、精準(zhǔn)定位相關(guān)圖像信息，最后根據(jù)常識(shí)及推理回答問題。
今年6月，阿里達(dá)摩院在 VQA 2021 Challenge 的55支提交隊(duì)伍中奪冠，成績(jī)領(lǐng)先第二名約1個(gè)百分點(diǎn)、去年冠軍3.4個(gè)百分點(diǎn)。兩個(gè)月后，達(dá)摩院再次以81.26%的準(zhǔn)確率創(chuàng)造VQA Leaderboard全球紀(jì)錄，首次超越人類基準(zhǔn)線80.83%。
這一結(jié)果意味著，AI 在封閉數(shù)據(jù)集內(nèi)的 VQA 表現(xiàn)已媲美人類。
面對(duì)更開放的現(xiàn)實(shí)世界，AI一定會(huì)遇到新的挑戰(zhàn),需要喂更多的數(shù)據(jù)、進(jìn)一步提升模型。但和 CV 等領(lǐng)域的發(fā)展一樣，這一結(jié)果依然具有標(biāo)志性意義，相信VQA技術(shù)在現(xiàn)實(shí)中的表現(xiàn)提升只是時(shí)間問題。
VQA分?jǐn)?shù)超人類如何誕生？
VQA挑戰(zhàn)的核心難點(diǎn)在于，需在單模態(tài)精準(zhǔn)理解的基礎(chǔ)上，整合多模態(tài)的信息進(jìn)行聯(lián)合推理認(rèn)知，最終實(shí)現(xiàn)跨模態(tài)理解，即在統(tǒng)一模型里做不同模態(tài)的語義映射和對(duì)齊。
據(jù)了解，為了解決VQA挑戰(zhàn)，達(dá)摩院語言技術(shù)實(shí)驗(yàn)室及視覺實(shí)驗(yàn)室對(duì)AI視覺-文本推理體系進(jìn)行了系統(tǒng)性的設(shè)計(jì)，融合了大量算法創(chuàng)新，包括：
4.采用Mixture of Experts (MOE)技術(shù)進(jìn)行知識(shí)驅(qū)動(dòng)的多技能AI集成。
其中自研的多模態(tài)預(yù)訓(xùn)練模型E2E-VLP，StructuralLM已被國(guó)際頂級(jí)會(huì)議ACL2021接受。
模型大圖如下：
VQA 考高分有什么用？
VQA考卷有多難？
論文鏈接：
1. E2E-VLP: End-to-End Vision-Language Pre-training Enhanced by Visual Learning, ACL2021
2. A Structural Pre-trained Model for Table and Form Understanding, ACL 2021
3. SemVLP: Vision-Language Pre-training by Aligning Semantics at Multiple Levels
雷鋒網(wǎng)雷鋒網(wǎng)雷鋒網(wǎng)
雷峰網(wǎng)特約稿件，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
