自ViT问世以来，CV开始进入膨胀期，也迎来了新一轮的红利，开始了类似于NLP中Transformer的发展趋势。从CNN开始彻底走向ViT，从supervised到self-supervised，再到大数据预训练，ViT的变种不断增加，带来的性能也在持续提升。
Transformer和ViT的引用数量
但问题也随之而来，ViT是最优的结构吗？真的需要这么多数据吗？在ViT的原始论文中已经揭露了许多问题，比如大模型对优化的选择非常敏感，同时需要更多的数据。对于优化问题，已经有人提出用卷积流代替patch流，在早期更有效地编码局部特征，这种方式不仅解决了优化问题同时提升了性能。对于数据量，DeiT和SwinT已经给出了一种数据有效性的ViT模型，但其中或多或少都引入了卷积的inductive bias，这不得不使我们重新考虑ViT结构：卷积流、分层设计甚至局部注意力。
另外，越来越多CV任务已经开始转向Transformer架构，像目标检测中的DETR、语义分割中Segformer等；或者仅仅使用ViT作为backbone，比如SwinT已经证明了其在下游任务的有效性和通用性，已经可以完全替代CNN作为新一代的backbone。对于多模态任务，是否也需要朝着ViT发展，或者使用ViT作为backbone？事实上，对于captioning已经有这方面的工作，像CPTR直接用ViT替换Encoder，初步看效果不错，但探索的仍然不够充分。
最后谈谈预训练，在ViT原始论文中使用了大规模JFT数据集，supervised预训练为图片分类带来了极大的提升，同时也证明了ViT是data-hungry的模型。然而，预训练的本质是视觉表征学习，这亦可以通过self-supervised的方式进行预训练学习，主要可以根据pretext task的类型分为两种方法：对比式预训练和生成式预训练：对比式预训练代表主要有SimCLR和MoCo等，它们都是衡量相似度以提炼视觉特征；而生成式预训练多数是效仿Bert或GPT，以Mask的机制重建或生成原始图像，典型的代表有iGPT和BEiT等，其实早在ViT论文中也做过类似的预训练，但没有很work。直到最近何凯明大神的MAE出现，打开了Mask生成式预训练的大门，通过一个简单模型在小数据量下达到超越监督式的效果。
另一方面，多模态预训练最近也在不断兴起，视觉语言预训练（VLP）旨在将视觉和语言特征对齐，学习更好的联合嵌入表示。VLP主要可以分为双流和单流：双流模型通常有两个Encoder将视觉和语言分开编码，在晚期进行交互，如LXMERT；单流模型通常将视觉和语言送入同一个Encoder，在早期进行交互，如微软的Oscar，不过这些都类似于Bert的Mask预训练方法。另外，还有基于Encoder-Decoder的生成式预训练方法，像Google最新提出的SimVLM，其模型简单且更为通用，在6个多模态任务下都达到了惊人的sota。这些VLP模型的最主要特点就是大规模数据集，区别在于不同的pretext tasks，而且这些模型相对简单，但带来的效果却十分显著，这也许表明了：在大数据量的背景下简单架构足以学习到高质量的多模态表示。这不得不让我们思考多模态任务未来的发展方向，是否需要朝着预训练方向前进，或者使用一些预训练好的组件。
计算机视觉领域蓬勃发展，作为一名初学者，恰逢其时，踏入这个崭新的时代，这是多么幸运！
