AutoCLIP: Auto-tuning Zero-Shot Classifiers for Vision-Language Models

要約

CLIP などの視覚言語モデルに基づいて構築された分類子は、広範囲の画像分類タスクにわたって顕著なゼロショット パフォーマンスを示しています。
これまでの研究では、プロンプト テンプレートに基づいてクラスごとに記述子セットを自動的に作成するさまざまな方法が研究されてきました。その範囲は、大規模な言語モデルから取得したテンプレートよりも手動で作成したテンプレートから、ランダムな単語や文字から構築されたテンプレートにまで及びます。
これまで、それぞれのエンコードされたクラス記述子からゼロショット分類器を導出する方法はほとんど変わっていません。つまり、平均化されたエンコードされたクラス記述子と画像エンコーディングの間のコサイン類似度を最大化するクラスに分類されます。
ただし、特定の記述子が他の記述子よりも特定の画像上の視覚的手がかりによく一致する場合、すべてのクラス記述子を均等に重み付けすることは最適ではない可能性があります。
この研究では、ゼロショット分類器を自動調整するための方法である AutoCLIP を提案します。
AutoCLIP は、クラス記述子と画像の類似性の統計に基づいて、推論時に各プロンプト テンプレートに合わせて画像ごとの重みを調整します。
AutoCLIP は完全に監視されておらず、計算オーバーヘッドが非常に低く、数行のコードで簡単に実装できます。
AutoCLIP は、広範囲の視覚言語モデル、データセット、プロンプト テンプレートにわたって、一貫して、最大 3% ポイント精度でベースラインを上回るパフォーマンスを示します。

要約(オリジナル)

Classifiers built upon vision-language models such as CLIP have shown remarkable zero-shot performance across a broad range of image classification tasks. Prior work has studied different ways of automatically creating descriptor sets for every class based on prompt templates, ranging from manually engineered templates over templates obtained from a large language model to templates built from random words and characters. Up until now, deriving zero-shot classifiers from the respective encoded class descriptors has remained nearly unchanged, i.e., classify to the class that maximizes cosine similarity between its averaged encoded class descriptors and the image encoding. However, weighing all class descriptors equally can be suboptimal when certain descriptors match visual clues on a given image better than others. In this work, we propose AutoCLIP, a method for auto-tuning zero-shot classifiers. AutoCLIP tunes per-image weights to each prompt template at inference time, based on statistics of class descriptor-image similarities. AutoCLIP is fully unsupervised, has very low computational overhead, and can be easily implemented in few lines of code. We show that AutoCLIP outperforms baselines across a broad range of vision-language models, datasets, and prompt templates consistently and by up to 3 percent point accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google