【阿裏ICCV論文技術解讀】基於層次化多模態LSTM的視覺語義聯合嵌入

精準描述商品：計算機視覺和自然語言處理的聯合

近年來, 隨著深度學習技術的快速發展, 人們開始嚐試將計算機視覺(Vision)和自然語言處理(Language)兩個相對獨立的領域聯合起來進行研究, 實現一些在過去看來非常困難的任務，例如“視覺-語義聯合嵌入(Visual-Semantic Embedding)”。該任務需要將圖像及語句表示成一個固定長度的向量，進而嵌入到同一個矢量空間中。這樣，通過該空間中的近鄰搜索可以實現圖像和語句的匹配、檢索等。

視覺語義聯合嵌入的一個典型應用就是圖像標題生成（Image Captioning）：對於任意輸入的一張圖像, 在空間中找到最匹配的一句話, 實現圖像內容的描述。在電商場景下, 淘寶賣家在發布一件商品時, 該算法可以根據賣家上傳得圖片, 自動生成一段描述性文字, 供賣家編輯發布使用。再比如，視覺語義聯合嵌入還可以應用於“跨模態檢索(Cross-media Retrieval)”：當用戶在電商搜索引擎中輸入一段描述性文字（如“夏季寬鬆波希米亞大擺沙灘裙”、“文藝小清新娃娃領飛飛袖碎花A字裙”等）, 通過文字-圖像聯合分析, 從商品圖像數據庫中找到最相關的商品圖像返回給用戶。

之前的不足：隻能嵌入較短的語句簡單描述圖片

以往的視覺語義聯合嵌入方法往往隻能對比較短的句子進行嵌入，進而隻能對圖像做簡單而粗略的描述，然而在實際應用中，人們更希望得到對圖像（或圖像顯著區域）更為細致精確的描述。如圖1所示，我們不僅想知道誰在幹什麼，還想知道人物的外表，周圍的物體，背景，時間地點等。

現有方法：“A girl is playing a guitar.” 

我們提出的方法：“a young girl sitting on a bench is playing a guitar with a black and white dog nearby.”

圖1 現有方法的問題

為了實現這個目標，我們提出一個框架：第一步從圖像中找出一些顯著性區域，並用具有描述性的短語描述每個區域；第二步將這些短語組合成一個非常長的具有描述性的句子，如圖2所示。

圖2 我們的提出的框架

為此，我們在訓練視覺語義聯合嵌入模型時不僅需要將整個句子嵌入空間，更應該將句子中的各種描述性短語也嵌入空間。然而，以往的視覺語義聯合嵌入方法通常采用循環神經網絡模型（如LSTM(Long short-term memory)模型）來表示語句。標準的LSTM模型有一個鏈式結構（Chain structure）：每一個單元對應一個單詞，這些單詞按出現順序排成一列，信息從第一個單詞沿該鏈從前傳到最後，最後一個節點包含了所有的信息，往往用於表示整個句子。顯然，標準的LSTM模型隻適合表示整個句子，無法表示一句話中包含的短語，如圖所示。

 

圖3 鏈式結構的問題

論文創新方法：提出層次化的LSTM模型

本文提出一種多模態、層次化的LSTM模型（Hierarchical Multimodal LSTM）。該方法可以將整個句子、句子中的短語、整幅圖像、及圖像中的顯著區域同時嵌入語義空間中，並且自動學習出“句子-圖像”及“短語-圖像區域”間的對應關係。這樣一來，我們生成了一個更為稠密的語義空間，該空間包含了大量的描述性的短語，進而可以對圖像或圖像區域進行更詳細和生動的描述，如圖所示。

圖4 本文提出的多模態層次結構

本文方法的創新性在於提出了一個層次化的LSTM模型，根節點對應整句話或整幅圖像，葉子節點對應單詞，中間節點對應短語或圖象中的區域。該模型可以對圖像、語句、圖像區域、短語進行聯合嵌入（Joint embedding），並且通過樹型結構可以充分挖掘和利用短語間的關係（父子短語關係）。其具體網絡結構如下圖所示

圖5 網絡結構

其中為每一個短語和對應的圖像區域都引入一個損失函數，用於最小化二者的距離，通過基於結構的反向傳播算法進行網絡參數學習。

在圖像-語句數據集上的比較

圖 6：在Flickr30K數據集上的對比

圖 7在MS-COCO數據集上的對比

可見本文方法在幾個公開數據集上都獲得了很好的效果

在圖像區域-短語數據集上的對比

我們提供了一個帶有標注的圖像區域-短語數據集MS-COCO-region，其中人工標定了一些顯著性物體，並在這些物體和短語之間建立了聯係。

圖 8在MS-COCO-region數據集上的對比

下圖是我們方法的可視化結果，可見我們的短語具有很強的描述性

此外，我們可以學習出圖像區域和短語的對應關係，如下

原文鏈接：【阿裏ICCV論文技術解讀】基於層次化多模態LSTM的視覺語義聯合嵌入