CVPR2019 图像描述（image caption）论文汇总

CVPR2019 图像描述（image caption）论文汇总

1.Adversarial Semantic Alignment for Improved Image Captions
使用对抗学习的思想来加强image和caption之间的关联
2.Context and Attribute Grounded Dense Captioning
对图像的密集描述，对每一个区域生成短语或者一个句子，用到了这个区域周围的区域信息（上下文信息），来提高效果
3.Describing like Humans: on Diversity in Image Captioning
提出了新的指标来度量image caption的多样性，并且在现有的方法上测试
4.Engaging Image Captioning via Personality
使生成的caption包含个人的倾向性，并且提出了一个更大的数据集用于图像描述
5.Exact Adversarial Attack to Image Captioning via Structured Output Learning with Latent Variables
提出方法用于攻击image caption系统，通过加入噪声使生成的caption尽量的差，从而检验image caption系统的鲁棒性
6.Good News, Everyone! Context driven entity-aware captioning for news images
使用额外的和image相关的文本数据来帮助生成caption，并且提出新的数据集“GoodNews”
7.Intention Oriented Image Captions with Guiding Objects
保证生成的caption中包含指定的object，先生成object单词，再生成句子其他的部分
8.Look Back and Predict Forward in Image Captioning
在up down方法上改进，使用上一步的attention结果来生成这一步的attention，并且一次生成两个单词的概率分布，最终单词用联合概率分布预测
9.MSCap: Multi-Style Image Captioning with Unpaired Stylized Text
生成多种风格的caption，需要额外的包含多种风格语料库，并且使用对抗学习
10.Auto-Encoding Scene Graphs for Image Captioning
对image和caption先构成图表示，进一步发现object之间的关联信息，再用字典学习来生成caption
11.Fast, Diverse and Accurate Image Captioning Guided By Part-of-Speech
生成多样的caption，需要快、多样并且准确率高，现生成多种part-of-speech，在生成caption
12.Pointing Novel Objects in Image Captioning
用于生成包含新的object的caption
13.Self-critical n-step Training for Image Captioning
新的强化学习训练策略
14.Show, Control and Tell:A Framework for Generating Controllable and Grounded Captions
提出新的数据集，包含了bounding box的标注，从而控制生成caption所用到的不同region set与sequence
15.Unsupervised Image Captioning
仅使用COCO image数据集和额外的语料库来生成描述