DeCLIP:supervision exists everywhere:a data efficient contrastive language-image pre-training paradigm
贡献：
-
论文是为了充分利用单模态和多模态，充分利用单模态特征用自监督（SIMSAM和MLM），多模态用图像文本对比学习实现；
-
一个图片的文本描述大部分都是集中在局部区域，作者使用RRC得到一个图像的局部区域进行实现；
-
一个图片有多种描述方式，提出用最近邻文本检索得到更多文本监督。（i.e.,对图像的文本描述1的特征向量在队列库中求余弦相似性得到最相似的描述2）
在SLIP基础上新增一个文本域的自监督，即该论文使用图片自监督+文本自监督+两倍图像-三倍文本对的对比学习。
模型
- 图像自监督框架：SimSam
- 文本自监督框架：MLM，每个句子中随机选择15%的单词，然后，80%的时间用【mask】替换单词，用10%的时间用随机token替换单词，用10%的时间不改变单词。最后得到语言模型对应的token域原始token进行交叉熵loss。
- 图像-文本模态：原始的 CLIP 不使用文本增强，仅使用随机方形裁剪图像增强，因此需要大量数据。deCLIP使用随机数据增强，相比于原始CLIP，该论文监督信息更多。
- 在嵌入空间中(具体来说是64K大小的队列)使用了Nearest-Neighbor 获得相似性的文本信息 。即，论文维护一个队列，在嵌入空间中使用最近邻检索得到一个最相似的文本描述。（隐式存在一对多，提供更好的监督信号，BLIP）
图片里灰色是原本的对比学习，绿的是自监督，橙色也是对比学习，蓝色是Nearest-Neighbor Supervision获得的最相似的文本和两个图片进行对比学习
总损失函数:
