Champion Solution for the WSDM2023 Toloka VQA Challenge

要約

このレポートでは、WSDM2023 Toloka Visual Question Answering (VQA) チャレンジのチャンピオン ソリューションを紹介します。
一般的な VQA やビジュアル グラウンディング (VG) タスクとは異なり、この課題にはより複雑なシナリオが含まれます。つまり、特定の疑問質問によって暗黙的に指定されたオブジェクトを推測して特定します。
このタスクでは、事前トレーニング不要のアダプター ネットワークである ViT-Adapter を活用して、事前トレーニング済みのマルチモーダル Un​​i-Perceiver を適応させ、クロスモーダル ローカリゼーションを向上させます。
私たちの方法はリーダーボードで 1 位にランクされ、パブリックおよびプライベート テスト セットでそれぞれ 77.5 および 76.347 IoU を達成しました。
ViT-Adapter は、統合された知覚モデルを視覚言語の下流タスクに適応させるための効果的なパラダイムでもあることを示しています。
コードとモデルは https://github.com/czczup/ViT-Adapter/tree/main/wsdm2023 でリリースされます。

要約(オリジナル)

In this report, we present our champion solution to the WSDM2023 Toloka Visual Question Answering (VQA) Challenge. Different from the common VQA and visual grounding (VG) tasks, this challenge involves a more complex scenario, i.e. inferring and locating the object implicitly specified by the given interrogative question. For this task, we leverage ViT-Adapter, a pre-training-free adapter network, to adapt multi-modal pre-trained Uni-Perceiver for better cross-modal localization. Our method ranks first on the leaderboard, achieving 77.5 and 76.347 IoU on public and private test sets, respectively. It shows that ViT-Adapter is also an effective paradigm for adapting the unified perception model to vision-language downstream tasks. Code and models will be released at https://github.com/czczup/ViT-Adapter/tree/main/wsdm2023.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google