Paper Read: Convolutional Image Captioning

Convolutional Image Captioning

2018-11-04 20:42:07

Paper: http://openaccess.thecvf.com/content_cvpr_2018/papers/Aneja_Convolutional_Image_Captioning_CVPR_2018_paper.pdf

Code: https://github.com/aditya12agd5/convcap

Related Papers:

1. Convolutional Sequence to Sequence Learning 　Paper　Code

常规的 image caption 的任务都是基于 CNN-LSTM 框架来实现的。因为其中有关于 language 的东西，一般采用 RNN 网络模型来处理句子。虽然在很多benchmark 上取得了惊人的效果，但是 LSTM 的训练是一个令人头大的问题。因为他的训练速度特别的慢。所以就有人考虑用 cnn 来处理句子编码的问题，首次提出这种思想的是 Facebook 组的工作。

本文将这种思路引入到 image caption 中，利用 卷积的思路来做这个 task，网络结构如下所示：

在次基础之上，提出了如下的 model：

大致思路如下：

1. 首先对给定的句子进行填充（最大句子长度为 15，不足的就补 0），进行 embedding，得到对应的向量表示；

2. 然后用 1-D 的卷积，处理这些一维信号，得到 hidden state，然后输入到 GLU 激活函数当中，然后得到了 embedding 之后的向量；这里的 cnn layer 可以堆叠成多个 layer，以达到 deeper 的效果；

本文模型用了三层该网络；并且用了残差链接，以得到更好的效果；

3. 与此同时，作者用 CNN 提取图像的特征，将图像的特征与文本进行 attention 的计算，得到加权之后的 feature；以得到更好地效果；

4. 然后利用最大化后验概率的方式，给定当前输入，来预测下一个单词是什么。训练采用 Binary Cross-Entropy Loss 来进行。

其中的细节：

1. Attention 的计算（利用 Word embedding 对 visual feature map 进行 attention 计算）：

作者提取 VGG 中 Conv-5 的特征，此时 feature  map 的大小为：7*7*512，而 language 中 Word 进行 embedding 后，每一个单词的大小为：512-D。

于是，利用 show，attend and tell 那篇 image caption 文章的 soft-attention 思想，作者也将 text 和 visual feature 进行对齐操作，即：

首先将 512*1 的 vector 的转置，与可学习的权重 512*512 的 weight W，进行相乘，得到 512-D 的向量，然后将该向量与 feature map 上每一个位置上的 channel feature （1*512 D feature）进行点乘，得到一个 512-D 的 feature，于是，w*h 那么大的 feature map，就可以得到一个 w*h 的 权重分布图，即本文中的 7*7 的 attention distribution。用这个权重 和 每一个 channel 的 feature 进行点乘，相加，得到 512*1-D 的特征。

==