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,vv x 0 = ϕ 0 ( v ) = W x , v v

ht=RNN(ht−1,xt) h t = R N N ( h t − 1 , x t )

Yt∼pt=φ(ht,{Ai}) Y t ∼ p t = φ ( h t , { A i } )

xt=ϕ(Yt−1,{Ai}), t>0 x t = ϕ ( Y t − 1 , { A i } ) ,   t > 0

v v : CNN中间层的响应 (global visual description), 只在initial input x0 x 0 中被使用。

{Ai} { A i } : 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,φ ϕ , 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：

1. [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。
2. 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。
3. [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 αit α t i :

αit∝exp(yTt−1U~yi) α t i ∝ e x p ( y t − 1 T U ~ y i )

• exp是指以softmax函数的方式将所有 {Ai} { A i } 进行归一化
• αit α t i : attribute Ai A i 与前一个预测单词 Yt−1 Y t − 1 的相关性
• yt−1, yi y t − 1 ,   y i : Yt−1 Y t − 1 和 Ai A i 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−1 Y t − 1 和 Ai A i 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 αit α t i 都是一样的。对 αit α t i 的可视化也验证了这一观点：
  
  图中第二行是 αit α t i 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 α α 都是一样的

αit∝exp(yTt−1ETUEyi) α t i ∝ e x p ( y t − 1 T E T U E y i )

• 由于 U~ U ~ 的维度太大，这里加入了word embedding 矩阵 E E 来进行降维。 E E 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) x t = W x , Y ( E y t − 1 + d i a g ( w x , A ) ∑ i α t i E y i )

• wx,A w x , 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 E E 是单独训练的，存在一个不对应的问题，所以要加入 wx,A w x , A
• xt x t 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 βit β t i 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)) β t i ∝ e x p ( h t T V σ ( E y i ) )

• 由于加入了随时间变化的 hTt h t T ，所以 βit β t i 跟 αit α t i 不一样。在不同位置的同一单词对下一个单词的 βit β t i 是会变化的
• V∈Rn×d V ∈ R n × d ：可以理解为V建立了隐状态 ht h t 与单词的embedding之间的相关性
• 因为 ht h t 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 σ σ 来对 Eyi E y i 进行同样的变换

pt∝exp(ETWY,h(ht+diag(wY,A)∑iβitσ(Eyi))) p t ∝ e x p ( E T W Y , h ( h t + d i a g ( w Y , A ) ∑ i β t i σ ( E y i ) ) )

• 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) m i n Θ A , Θ R − ∑ t l o g   p ( Y t ) + 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∗,∗} Θ A = { U , V , W ∗ , ∗ , w ∗ , ∗ }
• ΘR Θ R : RNN中所有参数
• g(α), g(β) g ( α ) ,   g ( β ) : {αit} { α t i } 和 {βit} { β t i } 的正则化

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

• p > 1 对在整个句子中对一的 Ai A i 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/

---