目录
第一阶段：小规模特定任务方法设计 (2014/11-2019/8)
VLP发展的三个阶段
第一阶段：小规模特定任务方法设计 (2014/11-2019/8)
已经为图像字幕和VQA开发了许多特定任务的方法。例如，重要的工作线是基于预先提取的视觉特征来设计各种注意力机制，例如ResNet、Faster RCNN。预先训练的词嵌入，例如GLoVe、word2vec和LSTM。这些注意力方法的设计已被用来捕捉多模态对齐，执行对象关系推理，并模拟多步推理。
第二阶段：中等规模预训练 (2019/8-2021/8)
受BERT的巨大成功的启发。在NLP中，VL领域已经逐渐转向使用基于Transformer的多模态融合模型，这些模型在中等规模的设置中进行了预训练，例如，使用多达4M图像的图像-文本数据集（总共大约10M图像-文本对），模型大小从110 M（BERT-基础）到340 M（BERT-大）。中等规模VLP模型的典型实例包括UNITER和OSCAR
第三阶段：大规模预训练 (2021/8-现在)
随着CLIP的出现和ALIGN提出了一种基于噪声的图像-文本双编码器训练方法，大规模VLP显示出巨大的应用前景，并成为VLP研究的基础。例如，SimVLM，Florence，Flamingo，CoCa，GIT。VLP的高计算成本可以通过使预训练模型适应广泛的下游任务来分摊。用于预训练的image-text对的数量已经增加到超过12B，模型大小增长到5 B，如在GIT中。
什么是好的VLP模型？
1. 在广泛的下游任务上实现良好的性能。
2.以最小的成本适应新任务。
参考：Vision-Language Pre-training: Basics, Recent Advances, and Future Trends