计算机应用研究

作者：陶俊杰,张卫锋,王玉霞,缪翌,徐领,

单位：1.浙江理工大学计算机科学与技术学院(人工智能学院),杭州310000；2.嘉兴大学信息科学与工程学院,浙江嘉兴314000；3.嘉兴市计量检定测试院,浙江嘉兴314000；

关键词：多模态,提示学习,视觉-语言模型,Transformer编码器,

基金：中国博士后科学基金资助项目(2022M720569)；浙江省自然科学基金资助项目(LQ21F020022)；；

大规模预训练视觉-语言模型CLIP（contrastive language-image pretraining）可将输入图像和文本投影到公共语义空间实现跨模态对齐，且在广泛的下游任务上展现了较强的泛化能力。然而，现有的提示学习方法通常在CLIP的视觉编码器和文本编码器的各层分别插入独立的可学习提示向量，以矫正表征空间，但缺乏充分的跨模态交互，且编码器各层的提示相互独立，无法有效引导编码器准确捕获任务所需信息。为解决上述问题，提出递进互提示学习方法（progressive co-prompting learning，ProgCoPL），该方法在视觉编码器层插入由文本提示引导的提示向量，在文本编码器层插入由视觉提示引导的提示向量，从而有效增强了模型的跨模态交互与对齐能力。此外，ProgCoPL通过在编码器各层的提示向量之间添加信息传递通道，实现了层级递进的信息整合，从而更精准地捕获任务相关信息。在11个数据集上的实验结果表明，ProgCoPL能够将CLIP模型高效适配到下游任务，且在多个泛化能力测试中，ProgCoPL的表现超越了现有方法，尤其是在跨数据集泛化能力测试上取得了显著进步。

来源：2025年第6期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2025年第6期