[论文阅读] LANGUAGE MODELLING WITH PIXELS

Approach

三个主要组件： * 文本渲染器：把文字处理成图片 * 编码器：对图片的未遮盖区域进行编码 * 解码器：重建遮盖区域像素

TEXT RENDERER

把文本渲染成 RGB 图片，$x\in {\mathbb{R}}^{H\times W\times C},H=16,W=8464,C=3$ ，这样就跟分辨率为 $384\times 384$ 的图片大小一致，可以分为 $529$ 个 $16\times 16$ 的 patch 。序列末尾的空白 patch 不会计算注意力或者损失。 超长的序列会被缩短或者分成多个序列。

ARCHITECTURE

Patch Span Masking

不同于 ViT-MAE 的随机屏蔽或者 BEiT 中块级别的屏蔽，PIXEL 采用 $$$$ 的屏蔽率，最多屏蔽连续 6 个 patch，中间留有不定数量未屏蔽的patch。

FINETUNING

Extractive Question Answering(QA)

使用滑动窗口的方法来提取超过最大序列长度的例子的答案

使用一个线性分类器来预测包含答案的间断的开始和结束的 patch