CLIP

CLIP pour (Contrastive Language–Image Pre-training) a été introduit par OpenAi en 2021.

L'objectif est de fournir un text (caption) pour une nouvelle image présentée lors de la phase d'inférence.

Cette méthode CLIP permet de contourner certains problèmes de l'apprentissage supervisé, par exemple, ceux liés aux coûts des Datasets (voir ImageNet), à leur limitation de prédiction à l'ensemble des catégories entrainées, et à leur faible performance (parfois).

L'apprentissage décrit par OpenAi s'est fait avec 256 GPU durant 2 semaines. Il semble que 400M de paires(caption/image) aient été utilisées pour l'apprentissage.

Références

• CLIP: Connecting Text and Images
• CLIP: A Beginner’s Guide to the CLIP Model
• CLIP sur GitHub
• CLIP: The Most Influential AI Model From OpenAI — And How To Use It