[20230413] Weekly VLM2 - Flamingo

[SoongE]

Paper
Flamingo: a Visual Language Model for Few-Shot Learning (a.k.a. Flamingo)

Speaker
@SoongE

Summary

Key Point

• Powerful connection between pre-trained Vision and Language
• Using visual texture data
• Any input using Preceiver model
• Well implemented on several tasks

Methods

• Freezing Vision and Language model

  • Vision Encoder:
    • Train on contrastive learning using BERT
    • Train with ALIGN + LTIP by accumulation methods
  • Fine-tuning or scratch instead of freezing resultes in a very large performance drop. They attribute this to catastrophic forgetting that occurs as the learning objective is refreshed.

• Peceiver Resampler
  

  • Return fixed output shape of vision input
  • Fixed shape of latent query
  • 실험적으로 기존 attention보다 좋다

• Gated Cross-Attention
  

  • Tanh gate: Long short-term memory(LSTM)
    • normalization 효과

• Train on mixture of datasets

  • Dataset의 양과 quality에 따라 weight를 다르게줬다. (M3W, ALIGN, LTIP and VTP with weights 𝜆𝑚 of 1.0, 0.2, 0.2 and 0.03 respectively.)
  • M3W: interleaved image-text
    • 43M HTML dataset
  • ALIGN and LTIP: image-text pair
    • ALIGN: large and low quality
    • LTIP: small and high quality
  • VTP: video-text pair
    • 27M with short video about 22sec

strengths and weaknesses

• Strengths
  • 많은 downstream task에서 좋은 성능을 보임
• Weaknesses
  • LM의 side effect를 모두 가져온다.
  • Classification은 CLIP보다 좋지 않다.
  • Few-shot이 아닐 경우에는 각자의 모델이 더 좋은 성능을 낼 수 있다.
  • 학습에 사용한 dataset이 매우 크고, 모델 자체의 사이즈가 매우 커서 공정한 비교가 힘들다.

[WongiPark0628]

Flamingo
-> Deepmind의 논문

해당 Figure가 가장 중요해보임.

Image를 Key, value 로 활용하고, Text는 Value로 활용하여, 고정된 Output을 활용하는 Perceiver Resampler 로 학습을 진행한다는 점이 신기함. 각각의 Dataset의 양과 질에 따른 Weight을 다르게 지정함.

다소 실험 결과는 cherry-pick한 느낌이 있지만, 충분한 가능성과 잠재성을 보여줌.

[dh58319]

FLAMINGO

Key architectural innovations

i) bridge powerful pretrained vision-only, language-only models

ii) handle sequences of arbitrarily interleaves visual and text data

iii) seamlessly ingest images or videos as inputs

다양한 태스크에 대해서 놀라운 일을 할 수 있다는 것을 보여준 논문

그러나 논문에 명시된 대로 한계점도 명확했다.