阿里iDST ICCV 2017录用论文详解:基于层次化多模态LSTM的视觉语义联合嵌入

雷锋网  •  扫码分享
我是创始人李岩:很抱歉!给自己产品做个广告,点击进来看看。  

雷锋网 (公众号:雷锋网) AI 科技评论按:ICCV,被誉为计算机视觉领域三大顶级会议之一的、作为计算机视觉领域最高级别的会议之一,其论文集代表了计算机视觉领域最新的发展方向和水平。阿里巴巴在今年的 ICCV 2017上有多篇论文入选。

本文是阿里iDST与西安电子科大、西安交大等合作的 ICCV 2017 论文解读《基于层次化多模态LSTM的视觉语义联合嵌入》(Hierarchical Multimodal LSTM for Dense Visual-Semantic Embedding),雷锋网AI科技评论做了不改动原意的编辑。

论文下载链接: http://openaccess.thecvf.com/ICCV2.py

精准描述商品:计算机视觉和自然语言处理的联合

近年来, 随着深度学习技术的快速发展, 人们开始尝试将计算机视觉 (Vision) 和自然语言处理 (Language) 两个相对独立的领域联合起来进行研究, 实现一些在过去看来非常困难的任务,例如「视觉-语义联合嵌入 (Visual-Semantic Embedding)」。该任务需要将图像及语句表示成一个固定长度的向量,进而嵌入到同一个矢量空间中。这样,通过该空间中的近邻搜索可以实现图像和语句的匹配、检索等。

视觉语义联合嵌入的一个典型应用就是图像标题生成(Image Captioning):对于任意输入的一张图像, 在空间中找到最匹配的一句话, 实现图像内容的描述。在电商场景下, 淘宝卖家在发布一件商品时, 该算法可以根据卖家上传得图片, 自动生成一段描述性文字, 供卖家编辑发布使用。再比如,视觉语义联合嵌入还可以应用于「跨模态检索 (Cross-media Retrieval)」:当用户在电商搜索引擎中输入一段描述性文字(如「夏季宽松波希米亚大摆沙滩裙」、「文艺小清新娃娃领飞飞袖碎花 A 字裙」等), 通过文字-图像联合分析, 从商品图像数据库中找到最相关的商品图像返回给用户。

之前的不足:只能嵌入较短的语句简单描述图片

以往的视觉语义联合嵌入方法往往只能对比较短的句子进行嵌入,进而只能对图像做简单而粗略的描述,然而在实际应用中,人们更希望得到对图像(或图像显著区域)更为细致精确的描述。如图 1 所示,我们不仅想知道谁在干什么,还想知道人物的外表,周围的物体,背景,时间地点等。

阿里iDST ICCV 2017录用论文详解:基于层次化多模态LSTM的视觉语义联合嵌入

现有方法:「A girl is playing a guitar.」

我们提出的方法:「a young girl sitting on a bench is playing a guitar with a black and white dog nearby.」

图 1 现有方法的问题

为了实现这个目标,我们提出一个框架:第一步从图像中找出一些显著性区域,并用具有描述性的短语描述每个区域;第二步将这些短语组合成一个非常长的具有描述性的句子,如图 2 所示。

  阿里iDST ICCV 2017录用论文详解:基于层次化多模态LSTM的视觉语义联合嵌入

图 2 我们提出的框架

为此,我们在训练视觉语义联合嵌入模型时不仅需要将整个句子嵌入空间,更应该将句子中的各种描述性短语也嵌入空间。然而,以往的视觉语义联合嵌入方法通常采用循环神经网络模型(如 LSTM(Long short-term memory) 模型)来表示语句。标准的 LSTM 模型有一个链式结构(Chain structure):每一个单元对应一个单词,这些单词按出现顺序排成一列,信息从第一个单词沿该链从前传到最后,最后一个节点包含了所有的信息,往往用于表示整个句子。显然,标准的 LSTM 模型只适合表示整个句子,无法表示一句话中包含的短语,如图所示。

阿里iDST ICCV 2017录用论文详解:基于层次化多模态LSTM的视觉语义联合嵌入

图 3 链式结构的问题

论文创新方法:提出层次化的 LSTM 模型

本文提出一种多模态、层次化的 LSTM 模型(Hierarchical Multimodal LSTM)。该方法可以将整个句子、句子中的短语、整幅图像、及图像中的显著区域同时嵌入语义空间中,并且自动学习出「句子-图像」及「短语-图像区域」间的对应关系。这样一来,我们生成了一个更为稠密的语义空间,该空间包含了大量的描述性的短语,进而可以对图像或图像区域进行更详细和生动的描述,如图所示。

  阿里iDST ICCV 2017录用论文详解:基于层次化多模态LSTM的视觉语义联合嵌入

图 4 本文提出的多模态层次结构

本文方法的创新性在于提出了一个层次化的 LSTM 模型,根节点对应整句话或整幅图像,叶子节点对应单词,中间节点对应短语或图象中的区域。该模型可以对图像、语句、图像区域、短语进行联合嵌入(Joint embedding),并且通过树型结构可以充分挖掘和利用短语间的关系(父子短语关系)。其具体网络结构如下图所示:   阿里iDST ICCV 2017录用论文详解:基于层次化多模态LSTM的视觉语义联合嵌入

图 5 网络结构

其中为每一个短语和对应的图像区域都引入一个损失函数,用于最小化二者的距离,通过基于结构的反向传播算法进行网络参数学习。

在图像-语句数据集上的比较

阿里iDST ICCV 2017录用论文详解:基于层次化多模态LSTM的视觉语义联合嵌入

图 6 在 Flickr30K 数据集上的对比

阿里iDST ICCV 2017录用论文详解:基于层次化多模态LSTM的视觉语义联合嵌入

图 7 在 MS-COCO 数据集上的对比

可见本文方法在几个公开数据集上都获得了很好的效果。

在图像区域-短语数据集上的对比

我们提供了一个带有标注的图像区域-短语数据集 MS-COCO-region,其中人工标定了一些显著性物体,并在这些物体和短语之间建立了联系。

阿里iDST ICCV 2017录用论文详解:基于层次化多模态LSTM的视觉语义联合嵌入

图 8 在 MS-COCO-region 数据集上的对比

下图是我们方法的可视化结果,可见我们的短语具有很强的描述性。

阿里iDST ICCV 2017录用论文详解:基于层次化多模态LSTM的视觉语义联合嵌入


此外,我们可以学习出图像区域和短语的对应关系,如下:

阿里iDST ICCV 2017录用论文详解:基于层次化多模态LSTM的视觉语义联合嵌入

更多资讯敬请关注雷锋网AI科技评论。

雷锋网版权文章,未经授权禁止转载。详情见。

随意打赏

iccv 2017阿里文学网论文录用
提交建议
微信扫一扫,分享给好友吧。