REC论文阅读(一)：MAttNet

写在前面

最近开始做Referring Expression Comprehension方向的研究，很多论文看了以后就忘了，再解决相关问题时也想不起来论文的思路（可能读的时候就没看出来：）。为了跳出当前这种困境，我打算重新温习下读过的一些论文，并再写作的过程中整理相关思路，为以后有更好的idea打好坚实的基础。因此，带着这个目的，我的文章着眼于论文的思路、创新点以及可以借鉴的地方。废话不多说了，开始写文章！

论文笔记

论文背景

MAttNet这篇文章属于two-stage的方法，即首先利用Faster-RCNN框架提取出各个objects对应的regions，再从这些objests中选出与expressions描述最详尽的object作为referent。
以往的two-stage方法中对于language主要是整体处理，而不关心各个成分的作用；所以以此为切入点，参考VQA等任务，作者将句子分割成不同的module（eg. subject, location, relationship)，并根据不同的module对object feature进行不同的处理

主要贡献

• 以往VQA等论文分割expression主要依靠现有的parser，但是这种hard的办法分割出的结果往往会有很多的错误存在；所以作者为了解决这个问题，采用了一个language attention network，用一种更加soft的方式来分割expression
• 同时，对于不同的expressions，不同的成分的贡献度也不同，所以应当为各个成分计算出一个权重
• 上面两点是作者的重点贡献，下面说的是一些小点的贡献
• 一个是attribute predict的使用，如图1所示，此举可以让visual feature和属性+类别描述提前建立一种联系，可以让后面计算score时的module学习起来更加容易
• 为了增强subject部分score的学习，作者还使用了phase attention模块来增强vision feature，增加不同object分数的区分度
• 还有一点作者考虑得很细致，即在localization模块，作者不仅考虑了自身绝absolute position，还选取了n个同类别的五个object，来把relative position也考虑进来；因为这种关系描述一般是“second left person”，所以在relationship模块是没办法考虑到这种关系的，所以这个地方考虑这点并不算多余

实验部分

总的来看，作者的实验部分还是相当solid的，文章中的各个点的对比基本都有涉及到。主要有一个地方我不是十分的确定，就是relationship module对模型的准确率提升很小，基本都在1%以下。。。当然，这对验证该模块的有效性来说应该算是足够了。
我个人认为，提升较小的原因有以下三点：

1. 数据集较为简单，大部分expression仅凭subject及localization就可以确定object；如果有较为复杂的数据集，应该可以验证这个看法
2. 作者relationship模块设计不是很完美，仅仅考虑了距离最近的五个object中最重要的那个。这种方法很粗暴（scene graph方法的作者们哭晕在厕所），相当于已经假设关系中涉及的object都在自己的附近（虽然数据集中大部分确实如此），对于我来说还是不可取的
3. 作者在设计loss function时，也采用了contrast learning的思路，不过选取negative samples应该还可以有一定改进；并且要是能做个不采用contrast learning的对比就更好了（实际上是我不想做┑(￣Д ￣)┍）

可借鉴的思路

1. 对于以后的expression部分，可以采用本文的做法；当然，也可以举一反三，任何可以用外部工具进行分析的技术都可以学出来
2. attribute prediction模块的引入也提供了一定的思路，有点弱监督学习的味道了，间接提供了通向目标的方向
3. 同类别关系的处理方法以及object feature的增强也可以借鉴，可以增强各个object最终score的区分度

参考文献

1. https://arxiv.org/abs/1801.08186