论文解读：From Pixels to Objects: Cubic Visual Attention for Visual Question Answering

这是关于VQA问题的第十一篇系列文章。本篇文章将介绍论文：主要思想；模型方法；主要贡献。有兴趣可以查看原文：From Pixels to Objects: Cubic Visual Attention for Visual Question Answering

1，主要思想

作者提出一般的Spatial visual attention只是选出了最关注的视觉对象，在通道上采用的相同的权重，这不符合attention的思路。基于此，作者提出cubic visual attention，在通道和空间上同时进行选择重要的。具体的区别见下图：

2，模型结构

• 首先对图像进行目标识别，提取视觉特征；同时对问题采用GRU编码
• 进行channel-wise attention
• 进行spatial attention
• 预测输出
  

a.Input Representations

• 对图像采用Faster R-CNN模型，提取k个主要的对象，并特权特征，每个对象特征维度D.
  
• Encoding Question Features:对词向量采用GRU进行编码。

b.Channel Attention（通道）

cnn的通道代表了不同粒度的特征，低维度的边缘特征和高粒度的语义特征。这篇论文对last conv feature map进行池化，这样每个通道代表着对象的属性特征。也就是说通道上的attention选择了视觉对象重要的语义属性。过程如下：

• 先对视觉特征V进行reshape：
  
• 对通道进行池化：
  
• attention权重计算部分：
  
  可以简写成：
  
• attention结果：
  

c.Object Region-based Spatial Attention

就是对区域对象进行attention，选择重要的对象。

• 权重计算：
  
  可以简写成：
  
• attention结果：
  

d.预测输出

e.A Variant of CVA

• 上面的步骤可以总结为：
  
• 为了对比，可以变化为：
  

3， 主要贡献

• 提出了基于cubic visual attention，在通道和区域上进行关注。