Chen C , Mu S , Xiao W , et al. Improving Image Captioning with Conditional Generative Adversarial Nets[J]. 2018.
一、前言
图像标注(image captioning)是一门综合计算机视觉和自然语言处理的深度学习研究,相比于图像分类(image classification)、目标检测(object detection)和语义分割(semantic segmentation)等任务,其更复杂,也更具挑战性。
最早,人们基于encoder-decoder提出CNN-RNN结构进行图像标注,其中CNN用作图像表示 I I I,RNN用作句子生成 G θ G_{\theta} Gθ,并使用极大似然估计进行训练 J G ( θ ) J_G(\theta) JG(θ),但存在误差累积问题。
J G ( θ ) = 1 N ∑ j = 1 n log G θ ( x j ∣ I j ) = 1 N ∑ j = 1 N ∑ t = 1 T j log G θ ( x t j ∣ x 1 : t − 1 j , I j ) J_G(\theta) = \frac{1}{N}\sum_{j=1}^{n}\log G_{\theta}(x^j|I^j) = \frac{1}{N}\sum_{j=1}^N\sum_{t=1}^{T_j}\log G_{