背景
本篇论文的工作来自罗彻斯特大学。已被AAAI2020接收
动机
作者指出之前的工作仅考虑图像中单个的object与caption的关系可能导致误匹配。某些时候,这些objects可以联立起来共同确定图像是否与文本相对应。一个误匹配的例子,仅考虑单个region与各个词的联系忽略了regions之间的语义关系。如该mismatch的例子,Two people riding skis…,每个people区域都与句子高度关联,但却要联合建模regions的语义,才能确定是图上是"Two people"
方法
作者提出Dual Path Recurrent Neural Network (DP-RNN),以RNN处理图像和文本特征,故构成双路RNN。个人理解,本文的创新点在于把RNN用来处理图像特征,使得图像region似乎也具有上下文一般。
利用RNN联合多个regions的语义,彷佛regions也有上下文一般。这样的话,对于不同的captions,也有相应多样的图像特征。
DP-RNN具体执行步骤如下:
第一步,当image-text pair送入网络时,不论当前image-text是否