深度学习第一篇论文阅读笔记（VQA Visual Question Answering）
1 VQA Visual Question Answering
-
- 一，介绍
- 二，数据集收集
-
- 1，图像
- 2，问题
- 3，答案
- 三，数据集分析
-
- 1，问题
- 2，答案
- 3，常识与标题
- 四，VQA基线和方法
-
- 1，基线
- 2，方法
- 五，结论
- 相关链接
前言 写这篇论文笔记之前，我已经学习了cs231n的课程并浏览了余俊老师发表的《视觉问答技术研究》。
一，介绍
这篇论文介绍了视觉问题回答(VQA)的任务是给定一个图像和一个开放式的、关于图像的自然语言问题，提供一个准确的自然语言答案。论文提供了一个包含超过250K 图像，760K 问题和大约 10M 答案的数据集。介绍了数据集（包括图像，问题和答案）收集，然后对数据集进行了细致地分析，展示了各种各样的问题和答案，以及在计算机视觉、自然语言处理和常识推理方面所需的各种各样的技术和方法。提出将问题的 LSTM 与图像的 CNN 相结合来生成答案。最后给出了各种（包括最佳运行模型(deep LSTM Q + norm I)）进行视觉问答的方法和结论。
二，数据集收集
因为任务是一个给定图像和一个关于图像的自然语言问题，提供一个标准的自然语言答案。所以，数据集包括图像，问题和答案。
1，图像
真实图像real images
包含多个对象和丰富的上下文。 (MS COCO)数据集的 123,287 张训练和验证图像和 81,434 张测试图像。将场景分为 20K/10K/20K分别用于训练，验证和测试。
抽象场景 abstract scenes
单个的图像。一个包含 50K 场景的新的抽象场景数据集。数据集包含 20 个“纸娃娃”人体模型，跨越性别、种族和年龄，有 8 种不同的表情。四肢是可调的，以允许连续的姿态变化。剪纸可以用来描绘室内和室外的场景。这组照片里有 100 多个物体和 31 只动物，摆出各种姿势。
2，问题
要求：多样，有趣，恰当，让人类受试者结合图像回答问题，包含了0.76亿个问题。每张图像至少 3 个问题，每个问题 10 个正确答案。
3，答案
开放性问题的答案
使用这个精度，进行度量与评估
这意味着如果至少有3名工作人员提供了确切的答案，则答案被认为是100％准确的。
多项选择问题的答案
对于多项选择题，每个问题有 18 个候选答案。收集了正确的：似是而非的：普遍的;随机的共18个独一无二的答案。
1，正确答案：通过十个注释给出的最常见的答案。
2，合理的答案：从注释者那里收集三个答案，而不看图像。
3，热门答案：数据集中最受欢迎的十大答案（如“是”，“否”，“2”，“1”，“白”，“3”，“红”，“蓝”，“4”用于真实图像的“绿色”）
4， 随机答案：为其他问题随机选择正确的答案。
三，数据集分析
1，问题
鉴于英语中产生问题的结构，我们可以按问题开头的单词将问题分成不同的类型。下图是基于问题的前四个单词的问题分布情况，展示了不同类型题型的百分比。大多数问题都有4 到 10 个单词。
2，答案
答案的类型有比较常见的典型的，比如是和不是，左右，颜色等。也有丰富多样的。
答案多为单字，真实图像中包含 1 个、2 个、3 个单词的答案分布分别为 89.32%、6.91%、2.74%，抽象场景中包含 1 个、2 个、3 个单词的答案分布分别为 90.51%、5.89%、2.49%。
对于答案也考虑了受试者回答问题时的信心，平均来说，无论是真实图像(83.30%)还是抽象场景(87.49%)，人们之间的回答都有显著的一致性。
3，常识与标题
有些问题有时仅凭常识就能正确回答，而不需要借助图像，如“消防栓的颜色是什么?”。下图反映了真实图片与抽象场景在仅考虑问题，问题与标题结合，以及问题与图像结合三种情况下的准确性。对于使用问题与图片标题结合的情况，其准确率比仅使用问题高得多，但是比结合图像的低的多。
四，VQA基线和方法
1，基线
论文实现了下面这几种基线：
1)随机: 从 VQA train/val 数据集的前 1K 个答案中随机选择一个答案。
2)优先(“是”): 对于开放性和多项选择题，我们总是选择最普遍的答案(“是”)。请注意，“是”总是多项选择题的选项之一。
3) 问题型优先: 对于开放式的任务，选择每个类型的问题最常见的答案。对于多项选择任务，我们使用特性空间中的余弦相似度，从提供的选项中选择与开放式任务中选择的答案最相似的答案。
4)最近邻: 给定一幅测试图像，一对问题，我们首先从训练集中找到 K 个最近邻问题和相关图像。接下来，对于开放式任务，我们从这组最近邻问题图像对中选择最常见的正确答案。类似于“问题类型优先”的基线，对于多项选择任务，选择(从提供的选项)的答案是最相似的，为开放式任务使用余弦相似度。
2，方法
开发了一个 2 通道的视觉(图像)+语言(问题)模型。
图像通道：
- I: 利用 VGGNet最后一层隐藏层的激活作为 4096- dim 图像嵌入。
- norm I: 这些是在 VGGNet的最后一个隐藏层使用L2正则化激活。
问题通道：三种方法进行嵌入：
1 词袋问题(BoW Q) 问题和答案的第一个单词有很强的相关性。选择前30个创建一个词袋。
2 LSTM Q 具有一个隐藏层的lstm对1024维的问题进行嵌入。对对每一个问题字进行编码，采用全连通层+tanh 非 线 性 将 其 进 行 300维 嵌 入 ， 然后供给LSTM。
3 deeper LSTM Q:使用具有两层隐藏LSTM将问题进行2048维嵌入，然后利用全连通层+ tanh 非线性函数将 2048-dim 嵌入变换为 1024维。
多层感知机：将图像和问题结合。首先通过全连通层+ tanh 非线性将图像嵌入变换为 1024-dim 来匹配问题的 LSTM 嵌入。转换后的图像和 LSTM 嵌入(在公共空间中)然后通过元素的乘法进行融合。
论文的最佳运行模型(deep LSTM Q + norm I)，该模型使用两层 LSTM 对问题进行编码，使用 VGGNet的最后一层隐藏层对图像进行编码。图像特征是L2 归一化。问题和图像特征都被转换到一个公共空间，并通过元素逐点相乘法进行融合，然后通过一个完全连接层，接着是一个 softmax 层，以获得答案的分布。
五，结论
忽略图像的单独语言方法(per Q-type prior, BoW Q, LSTM Q)表现令人惊讶，其中 BoW Q 在开放性测试中达到48.09%(多选项测试中 53.68%)，LSTM Q 在开放性测试中达到 48.76%(多选项测试中54.75%);两者都优于最近邻基线(开放式:42.70%，多项选择:48.49%)。
最佳模型(深层 LSTM Q + norm I，在 VQA 测 试 标 准 上 的 准 确 率 为58.16%(开放的)/ 63.09%（多项选择）。最佳模型能够显著地优于视觉基线和语言基线。一般的趋势是选择题的结果比开放式的好。所有的方法都比人类的性能差得多。
在验证问题上评估最佳模型(更深入的 LSTM Q + norm I)，有年龄注释(一个人需要多大岁数才能正确回答这个问题)，为 5-8 岁是数据集中最常见的年龄组。
相关链接
文章链接：https://visualqa.org/index.html
代码链接;https://github.com/GT-Vision-Lab/VQA_LSTM_CNN
几种常见正则化方式（L2/L1/Maxnorm/Dropout）：
https://zhuanlan.zhihu.com/p/21560667?refer=intelligentunit
几种常见激活函数对比（svm/softmax/tanh等）：
https://zhuanlan.zhihu.com/p/21462488?refer=intelligentunit
LSTM：https://zhuanlan.zhihu.com/p/32085405
VGGNet：https://blog.csdn.net/u013181595/article/details/80974210
几种常见的卷积神经网络（LeNet / AlexNet / ZFNet / GoogLeNet / VGGNet）：
https://zhuanlan.zhihu.com/p/22038289?refer=intelligentunit
VGGNet：它主要的贡献是展示出网络的深度是算法优良性能的关键部分。他们最好的网络包含了16个卷积/全连接层。网络的结构非常一致，从头到尾全部使用的是3x3的卷积和2x2的汇聚。