AI看图说话首超人类！微软认知AI团队提出视觉词表预训练超越Tran

能看图会说话的AI，表现还超过了人类？最近，Azure悄然上线了一个新的人工智能服务，能精准的说出图片中的内容。而背后的视觉词表技术，更是超越了基于Transformer的前辈们，拿到nocaps挑战赛冠军。

有没有发现，搜索出来的图片有时相关性很差？

现在很多搜索引擎都是基于图片的文本标签，但是我们的世界每天产生不计其数的照片，很多都没有标记直接传到了网上，给图片搜索带来了很多混乱。

如果系统能自动给图片加上精准的描述，图像搜索的效率将大为提高。

看图说话的AI：基于模板和Transformer都不尽如人意

看图说话（或者叫图像描述），近年来受到了很多关注，它可以自动生成图片描述。但是目前无论是学术界还是工业界，做的效果都差强人意。

看图说话系统一方面需要计算机视觉进行图像的识别，另一方面需要自然语言来描述识别到的物体。带标签的图片可以针对性训练，那如果出现了从未标注的新物体，系统是不是就失效了？

这个问题困扰了人们很久，即描述清楚一个新出现的东西。

人工智能领域验证一个模型的好坏，通常会用一个基准测试。比如NLP方向会用GLUE、SuperGLUE等，图像识别会用ImageNet等。

为了测试模型能否在没有训练数据的情况下完成看图说话，nocaps应运而生。nocaps可以衡量模型能否准确描述未出现过的物体。

传统的看图说话方法主要有两种：一种是模板生成，一种是基于 Transformer 的图像文本交互预训练。

模板生成方法，在简单场景下可以使用，但无法捕捉深层次的图像文本关系，而基于Transformer的模型又需要海量的标注数据，所以不适合nocaps。

为解决这些问题，微软认知服务团队的研究人员提出了一种名为视觉词表预训练（Visual Vocabulary Pre-training，简称VIVO）的解决方案。

无需配对图文数据，VIVO看图说话夺冠nocaps首次超越人类

VIVO可以在没有文本标签的数据上进行文本和图像的多模态预训练，摆脱了对配对图文数据的依赖，可以直接利用ImageNet等数据集的类别标签。借助VIVO，模型可以学习到物体的视觉外表和语义之间的关系，建立视觉词表。

这个视觉词表是啥呢？其实就是一个图像和文本的联合特征空间，在这个特征空间中，语义相近的词会聚类到一起，如金毛和牧羊犬，手风琴和乐器等。

预训练建好词表后，模型只需在有少量共同物体的配对图文的数据上进行微调，模型就能自动生成通用的模板语句，使用时，即使出现没见过的词，也能从容应对，相当于把图片和描述的各部分解耦了。

所以VIVO既能利用预训练强大的物体识别能力，也能够利用模板的通用性，从而应对新出现的物体。

Azure AI 认知服务首席技术官黄学东解释说，视觉词表的预训练类似于让孩子们先用一本图画书来阅读，这本图画书将单个单词与图像联系起来，比如一个苹果的图片下面有个单词apple，一只猫的图片下面有个单词cat。

视觉词表的预训练本质上就是训练系统完成这种动作记忆。

目前，VIVO 在 nocaps 挑战中取得了 SOTA效果，并首次超越人类表现。

VIVO取得成功可不仅仅是挑战赛的SOTA，目前已经有了实际应用。

看图说话SOTA已上线，AI不能一直处于灰色的迭代

据世界卫生组织统计，各年龄段视力受损的人数估计有2.85亿人，其中3900万人是盲人。

实力受损的用户想要获取图片和视频中的信息，就要依靠自动生成的图片描述或字幕（或者进一步转化为语音），他们非常相信这些自动生成的描述，不管字幕是否有意义。

「理想情况下，每个人都应该在文档、网络、社交媒体中给图片添加描述，因为这样可以让盲人访问内容并参与对话。」但是，这很不现实，很多图片都没有对应的文本。

Azure AI 认知服务公司首席技术官黄学东说: 「看图说话是计算机视觉的核心能力之一，可以提供广泛的服务」。

现在VIVO看图说话的能力已经集成到了Azure AI中，任何人都可以将它集成到自己的视觉AI应用中。

黄学东认为， 把VIVO的突破带到 Azure 上，为更广泛的客户群服务，不仅是研究上的突破，更重要的是将这一突破转化为 Azure 上的产品所花费的时间。

基于VIVO的小程序Seeing AI在苹果应用商店已经可以使用了，Azure也已经上线了免费API，供盲人或者视障人士免费使用。如果再加上Azure的翻译服务，看图说话可以支持80多种语言。

的确，有太多的实验室SOTA技术倒在了灰色的不断迭代中，没能完成它最初的使命。

看图说话只是认知智能的一小步，受古登堡印刷机启发开创新魔法

近年来，微软一直在寻求超越现有技术的人工智能。

作为 Azure 认知服务的首席技术官，黄学东所在的团队一直在探索，如何更全面、更人性化地来学习和理解这个世界。

他认为要想获得更好的认知能力，三个要素至关重要，单语言文本（X）、音频或视觉等感觉信号（Y）和多语言（Z）。

在这三者的交汇处，有一种新魔法ーー XYZ-Code，可以创造出更强大的人工智能，能够更好地听、说、看和理解人类。

「我们相信 XYZ-Code正在实现我们的长期愿景: 跨领域、跨模式和跨语言学习。我们的目标是建立预先训练好的模型，这些模型可以学习大范围的下游人工智能任务的表示，就像今天人类所做的那样。」

黄学东团队从德国发明家约翰内斯·古登堡那里获得灵感，他在1440年发明了印刷机，使人类能够快速、大量地分享知识。作为历史上最重要的发明之一，古登堡的印刷机彻底改变了社会进化的方式。

古登堡和他发明的印刷机

在今天的数字时代，认知智能的愿景也是开发一种能够像人一样学习和推理的技术，对各种情况和意图做出精准推断，进而做出合理的决策。

在过去的五年里，我们已经在人工智能的很多领域实现了人类的平等地位，包括语音识别对话、机器翻译、问答对话、机器阅读理解和看图说话。

这五个突破让我们更有信心实现人工智能的飞跃，XYZ-Code将成为多感官和多语言学习的重要组成部分，最终让人工智能更像人类。

正如古登堡的印刷机革命性地改变了通信的过程，认知智能将帮助我们实现人工智能的伟大复兴。

看图说话体验链接：

https://apps.apple.com/us/app/seeing-ai/id999062298

本文转载自网络，原文链接：https://mp.weixin.qq.com/s?__biz=MzI3MTA0MTk1MA==&mid=2652082693&idx=1&sn=6d5024704bde3ad1bf04f2b370980e78&chksm=f120e6f4c6576fe26eedba5cbd3c366244d554b5801a09bb921ce535927b9e033c8913d27eda&mpshare=1&
本站部分内容转载于网络，版权归原作者所有，转载之目的在于传播更多优秀技术内容，如有侵权请联系QQ/微信：153890879删除，谢谢！