End-to-End Attention-based Image Captioning

论文地址：https://arxiv.org/abs/2104.14721

一、问题提出

目前Image Captioning方法主要采用基于规则或基于CNN+RNN的方法。然而，在噪声图像和图像与少量可区分的特征上表现不佳。

在药物发现项目中，需要分析和利用已发表的实验数据。然而，大多数publishers不包括计算机可读的符号，如InChI, SMILES等，相反，它们包含类似于图1的结构图。

 二、模型框架

1、 Encoder-Decoder Model

 1）positional embedding：传统正弦和余弦函数：

 2）Encoder: Vision Transformer

将图像x∈R(H×W ×C)  reshape为patches，transformer潜在向量大小D，因此将patches dim线性投影映射到D维。添加cls token。

3）Decoder: Vanilla Transformer

tokenizer inchi字符串，包括275个tokens(<SOS>, <PAD> and <EOS>），损失为交叉熵损失：

 利用自回归解码来预测上一步分子的InChI的下一个字母，并生成分子的结构

三、实验

数据集：240多万张具有相应InChI格式的图像。使用rdkit将SMILES字符串转换为InChI格式,为这些smiles生成图像（Kaggle比赛）。GDB-13：13个原子的C, N, O, S和Cl的小有机分子数据集，遵循简单的化学稳定性和合成可行性规则。

数据增强：生成另一个由合成图像组成的数据集。对于这些图像，使用rdkit来修改给定InChI字符串的图像。修改包括盐和胡椒噪声、删除一个原子、将双键转换为单键并引入新的artifacts
数据划分：训练集、测试集和验证集，分别包含70%、10%和20%的图像。

 评估性能：使用Levenshtein距离（度量将一个字符串转换为另一个字符串所需的编辑次数）

 模型过于简单，实验过于少，只是验证了transformer模型的性能在分子image captioning要优于CNN + RNN。21年的论文，可能是Vit出来不久就将follow一下吧，更像课堂上小组写的Demo。