《Stacked Cross Attention for Image-Text Matching》

该研究在ECCV 2018上发表,提出了Stacked Cross Attention机制,通过在共享子空间中使用hard triplet loss,学习到高质量的文本和图像表示,以增强图像和文本之间的相似性计算。它利用ResNet-101的Faster R-CNN提取图像目标区域特征,使用双向GRU处理文本。通过余弦距离和average polling确定相似度,并采用LogSumExp、AVG和Sum-Max等池化方法以及hard triplet loss进行训练,提高了匹配准确性。
摘要由CSDN通过智能技术生成

ECCV 2018

主要思路:分别对文本和图像应用attention的机制,学习比较好的文本和图像表示,然后再在共享的子空间中利用hard triplet loss度量文本和图像之间的相似性。

图像特征:采用ResNet-101的Faster R-CNN网络对每一个图像产生k个目标区域,提取每一个目标对象的特征,嵌入矩阵变换为h维的vector

文本特征:文本的每一个word得到one-hot vector,embedding后为300维的vector,再用双向GRU得到h维的vector(bi-directional GRU)

  • 0
    点赞
  • 9
    收藏
    觉得还不错? 一键收藏
  • 7
    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 7
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