简介
本文出自加州大学伯克利分校。这篇文章既不是image captioning,也不是video captioning,而是change captioning,就是针对pair image生成caption。
下载链接
动机
发现image pair中发生了什么变化是很重要的,但是模型应该具备区分distractors(如:光照变化、视角变化)和changes(物品被移动)的能力。
贡献
- 提出CLEVR-Change数据集,用于训练change captioning。
- 提出了一个用于change captioning的方法,可以区分distractors和changes,取得了不错的实验结果。
方法
本文方法也简洁明了,如下图所示,分为Dual Attention和Dynamic Speaker两个模块。
本文在构造image pair时,考虑了两种数据。①image pair只存在光照/视角变化;②在光照/视角变化的前提下,加入场景变化。场景变化主要包括五种,分别是:颜色变化、材质变化、添加物品、丢弃物品、移动物品。
实验
实验结果
结果展示