论文笔记：Convolutional Image Captioning

Convolutional Image Captioning

1、提出方法

近年来，使用由长短期记忆 (LSTM) 单元驱动的循环神经网络，在图像描述方面取得了重大进展。尽管它缓解了梯度消失问题，并且具有强大的记忆依赖性的能力，但 LSTM 单元是复杂的，并且在时间上具有内在的顺序性。

2、创新点

提出了一种卷积（基于 CNN）的图像描述方法，并使用注意力机制来利用空间图像特征。

3、方法

3.1、RNN Approach

这里回顾基于 RNN/LSTM 的方法。

传统的 RNN 结构包含三部分：输入词嵌入、包含存储单元的顺序 LSTM 单元、输出词嵌入。

Inference：

RNN 按照顺序在每个时间步预测一个单词，从 y₁ 到 y_N 。 在每一个时间步 I ，一个依赖于参数 W 的条件概率分布 p_i,w(y_i|I) 被预测出来。 在推理过程中，我们通常选择概率最高的词 p_i,w(y_i|I) 。 一旦到了句尾标记 < E >，或者到了句子设定的长度时，句子输出结束。

p_i,w(y_i|I) 中 y_i 与之前所有的单词 yi 包含了这种依赖性。这个概率是通过以下步骤计算的：

其中 g_w 可以是任何可微函数/深度网络。 这个函数可能直接依赖于图像 I 。经典的图像描述方法通常将图像 I 编码为初始的隐藏状态 h₀。

而隐藏状态 h_i 也与前面的状态 h_i-1、输入的图像 I、前面的单词输入y_i-1有关：

同样，f_W 可以是任何可微函数。这个递归函数，一般不直接对输入的独热向量进行操作，输入词通过嵌入层编码成向量表示。

Learning：

word embedding 和 LSTM 的参数 w 可以通过最小化训练数据的负对数似然来获得：

为了避免更复杂的 gradient flows ，在训练过程中，传给下一时间步 LSTM 的单词用的是 ground-truth 的 y^*_i-1 ，而不是上一时间步预测到的 y_i-1。

这被称为 teacher forcing 。 虽然这简化了gradient flows ，但它显然会导致训练和测试时的输入信息的不同。

基于 RNN 的技术存在的不足：必须按时序来输出结果；分类准确率低；仍然存在梯度消失的问题。

3.2、Convolutional Approach

这里简介本文提出的 CNN 模型。

这个卷积模型参考《Convolutional sequence to sequence learning》。

我们的模型包含三部分：输入词嵌入、masked convolutions、输出词嵌入。

我们使用了一个带有 masked convolutions 的前馈网络，它没有任何循环功能。 与 RNN 不同，我们的模型可以并行地操作所有单词。

Inference：

我们使用一个简单的前馈网络 f_w 来输出概率 p_i,w(y_i|I) 。 对一个词 y_i 的预测依赖于前面的词 y

为了不让卷积操作使用当前单词之后的单词，使用 masked convolutional 层来只针对“过去”的单词。

因此，推理从起始标记 < s > 开始，并使用前馈传递过来生成概率 p_1,w(y₁|$\varphi$, I) 。 然后，对 y₁～p_1,w(y₁|$\varphi$, I) 进行采样。 采样结束后， y₁ 反馈到前馈网络中，用来生成后续字 y₂ 。一旦到了句尾标记 < E >，或者到了句子设定的长度时，句子输出结束。

Learning：

与 RNN 训练类似，我们对过去的单词使用 ground-truth y^*< i，而不是使用生成的单词 y < i 。对于词概率 p_i,w(y_i|y^*w(y_i，y^*

3.3、Architecture

这里更详细地介绍 CNN 模型。

我们的处理步骤如下：（1）通过一个输入嵌入层； （2）与图像嵌入相结合； （3）由 CNN 模块进行处理； （4）通过一个输出嵌入（或分类）层产生输出概率分布。 下面将讨论上述四个步骤中的每一个步骤：

Input Embedding：

每个单词看作一个9221维的独热向量，我们使用 |Y|=9221 维（Y看作单词集，共9221个），然后将输入的单词嵌入到512维向量中。接下来我们需要拼接图像嵌入，作为 CNN 模块的输入。

Image Embedding：

图像 I 的特征通过 VGG16 网络的 FC7 层提取，然后经过 dropout、ReLU、线性层获得一个512维的嵌入。他和上面的 Input Embedding 共同作为 CNN 模块的输入。

CNN Module：

CNN 模块对输入和图像的嵌入向量共同进行操作。它包含三层 masked convolutions ，每一层卷积的 padding 都补0以保证最后输出也是512维。使用 GLU 激活函数，还是用了normalization, residual connections
和 dropout 来提升性能。Masked convolutions 的接受域为5。设置句长N（最大句子长度）最大为15。

Classification Layer：

我们通过线性层将从 CNN 模块输出的512维向量变为256维。 然后，我们通过一个全连接层将该向量上采样到9221维，再通过一个 softmax 得到输出字概率 p_i,w(y_i|I) 。

Training：

我们使用交叉熵损失在概率 p_i,w(y_i|y

3.3.1、Attention

我们还提出了一种注意机制。 我们形成一个维度为512的图像向量，并将其添加到每个层的单词嵌入中（图中用红色、绿色和蓝色箭头显示）。 我们为每个词计算单独的注意力参数和单独的关注向量。 在维度为 7×7×512 的VGG16 MaxPooled Conv-5特征上，我们预测了 7×7 的注意参数。我们在每个 Masked convolutions 层都使用注意力。

d_j 是第 j 个单词的 GLU 之后的输出，W 表示对 d_j 的线性变换，c_i 是从 VGG16 后得到的 7x7x512 的特征，让 a_ij 表示注意力参数。 得到注意力参数 a_ij 的计算为：

最后 a_ij 和 c_i 逐元素相乘得到注意力模块的输出：$\sum$_i a_ijc_i

---

另一位大佬的笔记