Conceptual Codebook Learning for Vision-Language Models（ECCV 2024）

• CPL的改进
• 暂无代码

CPL

详见CPL论文

CoCoLe

• a：手工概念缓存的建立过程
• b：制作提示的过程，将图像输入Ev，得到image features v 作为查询query，找出相似度top-k2（k2=10）的键keys，与cls一起输入到LLM，生成最优的提示。
• c：训练推理过程
• 只有概念代码本中的key和value是可学习的
• work：多个不同的图像特征分别有着对应的提示，更加细粒度

1 Loss

• Lce：分类损失，最大化对齐图像特征fv和文本特征ft
• Lma：最小化top-3 keys和图像特征fv的距离
• Lcc：正则化，减小过拟合问题
• Lor：确保文本特征是正交的，增强提示的多样性。对于每个提示，做余弦相似度，使得不同的提示嵌入正交化。

2 可学习的概念码本

• 视觉概念向量Vi作为keys，D
• 概念提示Pi作为values，由M个learnable vectors组成，DxM
• 组成N对，N=100

具体过程

• 输入图像到image encoder，得到图像特征fvj，计算fvj与所有Vi之间的余弦相似度得分Sc
• 选择余弦相似度得分最高的top-k3（k3=4）个视觉概念Vi，组成集合Vj
• 将Vj作为key，获得对应的value概念提示Pi，组成集合Pj
• 将提示Pj与cls输入text encoder，得到文本特征ftj
• 计算概率

疑问：
Vi的初始化是什么？Pi的初始化是什么？

3 手工概念缓存

• CPL：选择top-1作为key
• 区别：选择top-k1（k1=3）个图像特征，并计算它们的平均值作为key
• 然后存储手工概念缓存

4 正则化的概念码本学习

确保可学习文本特征与手工概念提示差异不大

• fhtd：手工制作的概念提示文本特征
• fltd：可学习的提示文本特征

进行欧几里得距离约束：

5 推断

输出的文本特征，与图像特征进行相似度计算。