注意力机制(一):Stacked Cross Attention for Image-Text Matching

Motivation

1,上述研究没有考虑到图像区域和单词层面的潜在视觉语言对应。

2,我们将赋予不同权重的图像区域和单词作为推断图像-文本相似性的上下文。

Framework

  • 首先,我们先考虑对整个句子施加注意力让整个句子去表示每个单独的区域,我们首先计算所有可能对的余弦相似矩阵:

                                                       

       sij表示第i个区域与第j个单词的相似性。

       我们根据经验发现,将相似性限制在零是有益的,并且我们将相似矩阵归一化:

  • 为了在每个图像区域上关注单词,我们定义一个单词表示的加权组合(即关于第i个图像区域的句子向量)

                                                            <

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值