论文笔记：Hierarchy Parsing for Image Captioning

论文链接：Hierarchy Parsing for Image Captioning

本文首发于PaperWeekly

---

Introduction

目前大多数的image captioning模型采用的都是encoder-decoder的框架。本文在encoder的部分加入了层次解析（HIerarchy Parsing，HIP）结构。HIP把图片解析成树状结构：根节点是整个图片，中间节点则是通过把图片分解成一系列Region-level的区域来得到的，而叶子节点则是在Region-level的基础上应用图像分割，得到Instance-level的区域，如下图所示。
由于这样的过程建立起了一个树状的结构，文章应用了Tree-LSTM来增强性能。最后，文章还用了GCN对Region-level和Instance-level之间的关系进行编码，把CIDEr-D提高到了130.6。

文章的主要贡献就是在Image capioning任务中提出了HIP对图像进行层级架构的解析。实际上，文章把HIP认为是一种feature optimizer，对Image-level、Region-level、Instance Level的特征做整合。这也是大多数做image captioning文章的思路，包括各种attention机制、利用更丰富的图像信息等，主要目的都是为了增强图像特征。
本文发表在ICCV 2019上。

---

Method

Hierarchy Parsing in Images

本节首先介绍如何对图像进行层次解析。

Regions and Instances of Image

文章分别使用了两个Faster R-CNN来分别提取region和instance的特征。

对于region特征的提取，文章用的就是Up-Down Attention里面的方法：在Visual Genome数据集上训练一个backbone为ResNet-101的Faster R-CNN，提取里面pool5层的特征。

对于instance的特征，文章则是训练了另一个Faster R-CNN来进行提取。如下图所示，首先使用Mask R-CNN提取图像的前景区域图像（通过Mask与原图点乘），然后再用Faster R-CNN来提取对应前景的每个instance的特征。其中两个Faster R-CNN的输入、参数都不共享。

Hierarchy Structure of an Image

对于图像层级关系的建立，文章是通过下列方式确立的：由于图像中的regions会包含一些从属关系（例如，glasses和hat都属于man的区域），如果某个region与比它小的region的IoU大于某个阈值$ϵ$，那么这个小的region就成为大的region的子节点。通过对所有region根据面积进行降序排列并遍历后续region计算IoU，可以把图像的层级关系建立起来。最后，再把instance连接到每个region后作为最终的叶子节点。

Image Encoder with Tree-LSTM

文章使用了Tree-LSTM来对三个层次的特征进行编码，可以促进层次结构内的上下文信息挖掘，从而通过整体层次结构来增强图像特征。传统的LSTM只通过上一个时刻的隐状态$h_{j-1}$更新记忆单元$c_j$，而Tree-LSTM的更新则是依赖于多个子节点$f_{jk}$的的隐状态。如图所示：
Tree-LSTM公式如下：
${\mathbf{h}}_j=\sum _{k\in C(j)}{\mathbf{h}}_k$
${\mathbf{u}}_j=\varphi ({\mathbf{W}}_u{\mathbf{x}}_j+{\mathbf{U}}_u{\mathbf{h}}_j+{\mathbf{b}}_u)$ , cell input
${\mathbf{i}}_j=\sigma ({\mathbf{W}}_i{\mathbf{x}}_j+{\mathbf{U}}_i{\mathbf{h}}_j+{\mathbf{b}}_i)$ , input gate
${\mathbf{f}}_{jk}=\sigma ({\mathbf{W}}_f{\mathbf{x}}_j+{\mathbf{U}}_f{\mathbf{h}}_k+{\mathbf{b}}_f)$ , forget gate
${\mathbf{o}}_j=\sigma ({\mathbf{W}}_o{\mathbf{x}}_j+{\mathbf{U}}_o{\mathbf{h}}_j+{\mathbf{b}}_o)$ , output gate
${\mathbf{c}}_j={\mathbf{u}}_j\odot {\mathbf{i}}_j+\sum _{k\in C(j)}{\mathbf{c}}_k\odot {\mathbf{f}}_{jk}$ , cell state
${\mathbf{h}}_j=\varphi ({\mathbf{c}}_j)\odot {\mathbf{o}}_j$ , cell output
对于region-level和instance-level的节点，它们的输入则分别是它们的特征$\{{\mathbf{r}}_i{\}}_{i=1}^K$ 和 $\{{\mathbf{m}}_i{\}}_{i=1}^K$，对于image-level的根节点，它的输入则是region-level和instance-level特征的平均：$\mathbf{I}={\mathbf{W}}_r\overline{\mathbf{r}}+{\mathbf{W}}_m\overline{\mathbf{m}}$，其中$\overline{\mathbf{r}}=\frac{1}{K}{\sum }_{i=1}^K{\mathbf{r}}_i$，$\overline{\mathbf{m}}=\frac{1}{K}{\sum }_{i=1}^K{\mathbf{m}}_i$。

最终，通过用Tree-LSTM的方式进行编码，每一个region的输出特征包含了它的instance区域特征以及子节点的region区域特征，表示为$\{{\mathbf{r}}_i^h{\}}_{i=1}^K$。而image-level的输出特征则表示为${\mathbf{I}}^h$。

Image Captioning with Hierarchy Parsing

接下来，本节介绍如何把解析后的层次特征运用到Image captioning任务里。文章分别把这些特征用到了Up-Down Attention以及GCN-LSTM里，如下图所示。

首先简单回顾一下Up-Down Attention。Up-Down Attention包含两个LSTM，分别是：

1. Attention LSTM，接收全局图像特征、上一时刻生成的单词和Language LSTM的隐状态来分配attention权重。
2. Language LSTM，接收加权后的区域特征和Attention LSTM的隐状态来产生caption。

把HIP得到的特征应用到Up-Down Attention，其实也就是把两个LSTM的输入作替换。其中Attention LSTM中原来输入的全局图像特征替换为HIP得到的全局图像特征的拼接$[{\mathbf{I}}^h$, $\overline{\mathbf{r}}$, $\overline{\mathbf{m}}]$。每一个region的特征表示为${\mathbf{v}}_i=\left[{\mathbf{r}}_i^h,{\mathbf{r}}_i,{\mathbf{m}}_i\right]$，那么Language LSTM原来输入的加权后的区域特征则替换为对加权后的HIP区域特征${\hat{\mathbf{v}}}_t={\sum }_{i=1}^K{\lambda }_{t,i}{\mathbf{v}}_i$，其中${\lambda }_{t,i}$为对应的注意力权重。

当应用到GCN-LSTM中时，GCN中用到的场景图就是HIP过程中生成的树，然后也是类似Up-Down Attention的方法对特征作替换，不再赘述。

---

Experiment

文章使用了Visual Genome以及MSCOCO数据集进行训练。值得一提的是，VG数据集包含一些stuff类的bounding box标注，能够提供更丰富的场景信息，但VG数据集并没有给出对应的分割标注。对于这个问题，作者参考了Learning to segment every thing里面partially supervised training的方法来训练Mask R-CNN。其中detection分支的权重由在VG上训练的Faster R-CNN的权重来初始化，然后mask分支以及weight transfer函数则在MSCOCO上训练。

实验效果：可以看到，在COCO test split以及COCO server两个测试集上，加入了HIP以后，Up-Down模型和GCN-LSTM模型的性能都有大幅提升
文章也进行了消融实验来验证各个部件的性能：

对于IoU的阈值$ϵ$，文章也做了实验，效果最好的值是0.1，而$ϵ$=0.3的时候效果最差，感觉还是比较反直觉的。

文章还进行了人工评估。通过展示GT、GCN-LSTM+HIP、GCN-LSTM、LSTM的caption，分别做了两组实验：

1. 每次展示3个机器生成的caption和三个GT caption，问：机器能产生像人类写的句子吗？
2. 每次只展示1个句子，问：能判断出哪些是机器产生的句子，哪些是人类写的句子吗？

通过人工评估的反馈，文章统计了两个指标：
M1：与人类注释相当甚至更好的caption的百分比
M2：通过图灵测试的caption的百分比

GCN-LSTM+HIP、GCN-LSTM和LSTM在M1上的得分分别是76.5%、73.9%和50.7%。
人类注释、GCN-LSTM+HIP、GCN-LSTM和LSTM在M2上的得分分别是91.4%、85.2%、81.5%和57.1%。
两项指标都说明了引入HIP后模型有明显提升。
下图是模型生成的句子示例：
文章还把HIP扩展到了图像多标签分类问题，把COCO上物体检测的标注作为图像的多标签，并应用Multi-label softmax进行训练。然后分别对每个标签计算precision和recall。最后比较了per-class precision (C-P)，pre-class recall (C-R)，overall precision (O-P)，overall recall (O-R)以及F1值。发现引入HIP后都是有明显提升的。个人认为，其实HIP这种做法与finegrained image recognition中的做法类似。

---

总结

文章提出了层次解析（HIerarchy Parsing，HIP）的结构，通过对图像进行层次解析，能够丰富所提取的图像特征，并增强模型的可解释性。可以应用到现有的模型当中。文章的实验非常详尽，能够想到把HIP与Tree-LSTM结合、利用partially supervised training来训练Mask R-CNN的想法也是非常新颖。

拓展阅读

Up-Down Attention论文笔记

---