由于之前的工作都是基于region特征，然后对齐region-word特征

然而基于region的存在以下限制：

• 基于region的只能关注到bounding box内的object，忽视了上下文信息
• 大部分基于区域的图像特征是通过检测模型提取的，存在质量低、噪声、过采样等问题，依赖于大规模的bounding box标注数据。
• 预定义的对象和属性类别有限

因此作者提出了将一个image作为输入，端到端的进行视觉语言预训练

主要创新：

• Visual dictionary（等同于聚类，将包含相同语义的视觉特征聚在一起）
• Masked Vision Modeling（MVM）

Method

Visual Encoder

使用一个可训练的CNN的visual encoder，将一张图像作为输入，产生一个image-level visual features，作者这里使用的是在ImageNet上预训练的ResNet，后接一个1x1卷积和2x2max pooling层

VD

给定一个visual feature vi，通过搜索D中最近邻来计算它的映射索引（就是找到矩阵D中与vi距离最近的嵌入向量）

该映射函数表示为：

使用该嵌入向量来表示visual feature

反映射函数：（给定矩阵中的索引j，找到一个batch内索引为j的visual features）

使用f(V)来表示编码的视觉特征

VD使用随机初始化，然后进一步在一个batch内进行动量更新

由于argmin操作不可微分，梯度反向传播将会在VD处停止，为了使visual encoder可训练，采用一下公式来更新f(vi)

视觉词典基于特征相似度对视觉特征图进行在线聚类，并以其聚类中心表示每个特征向量。将具有相似语义的特征向量聚合到同一个聚类中，聚类索引可视为虚拟视觉语义标签。由于聚类会受到视觉语言学习任务的影响，每个embedding向量学习到的语义更适合于跨模态理解和对齐。（简单的说就是聚类之后的特征更适合多模态任务的学习，因为视觉特征被聚类了，同一类的特征具有相似的语义信息，降低了学习的难度 ）。

由于VD的嵌入向量在一开始是随机初始化的，为了避免对visual features造成影响，因此冻结了ResNet前10个epoch的参数

Pre-training Pipeline

使用2-D position embedding来编码visual token的空间信息

文本特征使用BERT进行编码

将VD嵌入和单词嵌入拼接起来输入到跨模态Transformer中，并添加了[CLS]和[SEP]

Masked Language Modeling.

预测mask掉的word

Masked visual Modeling.

预测mask掉的视觉特征

Image-Text Matching

在联合特征[CLS]上应用二分类器，预测输入的视频和文本是否匹配