论文笔记：Image Captioning with Semantic Attention

论文链接：Image Captioning with Semantic Attention

框架

与普通的image Caption框架相比，论文从图片中提取了visual attribute（实际上就是一些单词），并把这些attribute结合进了input跟output attention model里面。

整个框架的公式如下：

x0=ϕ0(v)=Wx,vvx0=ϕ0(v)=Wx,vv

ht=RNN(ht−1,xt)ht=RNN(ht−1,xt)

Yt∼pt=φ(ht,{Ai})Yt∼pt=φ(ht,{Ai})

xt=ϕ(Yt−1,{Ai}), t>0xt=ϕ(Yt−1,{Ai}), t>0

vv: CNN中间层的响应 (global visual description), 只在initial input x0x0中被使用。

{Ai}{Ai}: a set of visual attributes or concepts

对于这个attributes, 文章提出了三种方法来提取，分别是：

1. 用图像的caption在数据库以最近邻方法查找相近的图片，并选择其标签

2. 使用多标签的分类器

3. 使用全卷积网络(FCN）

而文章重点并不在这里，就不详细介绍了

ϕ,φϕ,φ: input and output models

文章把自己的做法和Show Attend and Tell的做法进行了对比，得出了几点主要的区别：

[2]的attention model由于是从CNN中提取的feature，需要固定的分辨率，而本文的concepts则没有分辨率的限制(attributes 的三种提取方法都不需要固定分辨率)，这个concepts甚至也不需要在图片中有直接的展现。

本文有一个结合了top-down information (the global visual feature，CNN信息) 和bottom-up concepts（attributes）的feedback过程（个人疑问1：这个feed back体现在哪里？），而[2]并没有这个过程。

[2]在图片特定的位置使用了pretrained CNN提取出的feature，而本文使用了word feature，因此可以使用外部的图像数据来训练visual concepts，使用文本数据来学习semantics between words。

input attention model

input attention model主要就是计算权重αitαti:

αit∝exp(yTt−1U~yi)αti∝exp(yt−1TU~yi)

exp是指以softmax函数的方式将所有{Ai}{Ai}进行归一化

αitαti: attribute AiAi 与前一个预测单词 Yt−1Yt−1 的相关性

yt−1, yiyt−1, yi: Yt−1Yt−1 和 AiAi的one-hot representation

U~∈R|y|×|y|U~∈R|y|×|y|: 词典大小的矩阵。我认为可以这样理解，这个矩阵存放着每个单词和其他单词之间的相关性，Yt−1Yt−1 和 AiAi这样的one-hot向量对U~U~相乘就是进行一个查表的操作。这个矩阵因为只跟单词有关，因此同一个单词即使在句子中的不同位置出现，它下一个单词的αitαti都是一样的。对αitαti的可视化也验证了这一观点：



图中第二行是αitαti的变化，可以看到，以单词”a”为例，对于出现在句子中不同位置的单词”a”，对应的attribute权重αα都是一样的

αit∝exp(yTt−1ETUEyi)αti∝exp(yt−1TETUEyi)

由于U~U~的维度太大，这里加入了word embedding 矩阵EE来进行降维。EE 是以Word2Vec或者Glove来单独训练的，不参与最后的训练

xt=Wx,Y(Eyt−1+diag(wx,A)∑iαitEyi)xt=Wx,Y(Eyt−1+diag(wx,A)∑iαtiEyi)

wx,Awx,A 对visual attributes在word space的每个维度的相对重要性进行了建模。个人理解因为EE是单独训练的，存在一个不对应的问题，所以要加入wx,Awx,A

xtxt作为模型的输入，这里把直接把attention部分和前一个单词的部分直接相加了，感觉应该用concatenate的方式会好一点？

output attention model

output attention model基本跟前面input attention model类似。

原文对βitβti的解释：

a different set of attention scores are calculated since visual concepts may be attended in different orders during the analysis and synthesis processes of a single sentence.

βit∝exp(hTtVσ(Eyi))βti∝exp(htTVσ(Eyi))

由于加入了随时间变化的hTthtT，所以βitβti跟αitαti不一样。在不同位置的同一单词对下一个单词的βitβti是会变化的

V∈Rn×dV∈Rn×d：可以理解为V建立了隐状态htht与单词的embedding之间的相关性

因为 htht 输出的时候经历了一个非线性变换，因此这里也要加入激活函数σσ来对EyiEyi进行同样的变换

pt∝exp(ETWY,h(ht+diag(wY,A)∑iβitσ(Eyi)))pt∝exp(ETWY,h(ht+diag(wY,A)∑iβtiσ(Eyi)))

最后单词概率分布的输出，基本跟前面一样

loss

minΘA,ΘR−∑tlog p(Yt)+g(α)+g(β)minΘA,ΘR−∑tlog p(Yt)+g(α)+g(β)

损失函数前面部分和以往的做法一样

ΘA={U,V,W∗,∗,w∗,∗}ΘA={U,V,W∗,∗,w∗,∗}

ΘRΘR: RNN中所有参数

g(α), g(β)g(α), g(β): {αit}{αti} 和 {βit}{βti}的正则化

g(α)=∥α∥1,p+∥αT∥q,1=[∑i[∑tαit]p]1/p+∑i[∑t(αit)q]1/qg(α)=‖α‖1,p+‖αT‖q,1=[∑i[∑tαti]p]1/p+∑i[∑t(αti)q]1/q

p > 1 对在整个句子中对一的 AiAi 的过度attention进行惩罚

0 < q < 1 对任意时刻的分散attention进行惩罚

实验

文章是当时state-of-the-art的结果。

作者测试了单独使用input或者output attention的效果，发现只使用一个的话只对模型只有少量的提升，但同时使用则有较大提升，说明两个具有比较强的协同作用。

而对于attributes的提取，作者发现使用FCN的效果是最好的。

对于attributes的使用，除了前面介绍的attention方法ATT，作者还测试了MAX和CON（concatenate），效果都没有ATT好。

总结

文章提出了新的attention模型，结合了top-down和bottom-up的机制，在利用image的overview的同时也利用了丰富的visual semantic aspects。模型的真正威力在于对这些aspects的关注，以及把全局和局部信息利用起来生成更好的captioin。

参考：

https://lisabug.github.io/2016/03/17/image-captioning-with-semantic-attention/