绿色羽毛

在CLIP之前，常见的计算机视觉模型都是通过有监督学习的方式进行训练，即 使用一组固定好的预定义物体标签集合，eg:ImageNet-1k数据集使用的1000种分类，COCO数据集采用的80种分类。之所以先预定义好物体标签，一个目的是更方便的收集和整理数据，另一个目的是更好地训练模型。但是这种操作相当于简化了任务，极大的限制了模型的泛化能力，特别是当模型要识别超出预定义类别的新物体时，其效果会急剧下降。