FiLM论文解读

论文题目：FiLM: Visual Reasoning with a General Conditioning Layer
论文链接：https://arxiv.org/abs/1709.07871
代码框架：PyTorch
代码地址：https://github.com/ethanjperez/film
任务：视觉推理
数据集：CLEVR

方法介绍

不同的γ和β组合能够以多种方式调节单个特征图F

i是指第i个输入，c是指第c个输出feature map,x是输入，γ和β是通过函数f,h获得的参数

γ和β是仿射变换(affine transformation）的系数，F是BN层的输出，经过FiLM层进行变换输出给ReLU层

左为FiLM generator(linguistic pipeline)，中间为FiLM-ed Network（visual pipeline）,右边是一个ResBlock的详细介绍

左边这个生成器处理问题Xi，生成了N个关于i的参数组合，GRU是RNN的一种，用于自然语言处理。最后一个GRU隐藏状态是问题嵌入，从这里我们可以通过仿射映射预测每个残差块的（γ，β）参数。中间的CNN是提取特征，可以从零开始训练，或者迁移预训练的ResNet101;然后经过数个ResBlock，最后经过分类器。

相关工作

FiLM能视为条件归一化CN的泛化。

image.png

和human以及已有的方法进行准确率对比。

---

实验

4.2 What Do FiLM Layers Learn?
可视化

第一个ResBolck的任一特征图的激活可视化

最后一个ResBolck的任一特征图的激活可视化

刚开始的时候，对于不同问题，特征图的可视化激活图都是一样的（Before FiLM那一行）；经历了几次FiLM层之后，Before FiLM那一行的激活图不一样了。

---

4.4 CLEVR-Humans: Human-Posed Questions
探索模型的泛化性，用CLEVR-Humans数据集
过程：用已有的用CLEVR数据集训练好的模型，再辅以 CLEVR-Humans数据集来微调 linguistic pipeline，不能更新 visual pipeline为了避免过拟合。

---

4.5 CLEVR Compositional Generalization Test
用CLEVR-CoGenT这个新的数据集来测试few- shot and zero-shot的表现
数据集它包含了两个不同条件的数据集A,B，他们两的颜色正好对调。为了考察模型推理的方式：是通过记住特征的组合？还是通过学习泛化的表现？

用B微调后，A的准确率下降了。说明一定程度上还是在记特征组合。
0-shot是为了扩充实验。【few-shot是指样本很少，zero-shot是指样本为零】

---

附录

错误分析：
遮挡、FiLM学到了计数背后的潜在概念导致误判（差一）、逻辑前后不一致