论文笔记：Knowing When to Look: Adaptive Attention via A Visual Sentinel for Image Captioning

论文链接：Knowing When to Look: Adaptive Attention via A Visual Sentinel for Image Captioning

---

Introduction

目前大多数的基于attention机制的image captioning模型采用的都是encoder-decoder的框架。然而在decode的时候，decoder应该对不同的词有不同的attention策略。例如，“the”、"of"等词，或者是跟在"cell"后面的"phone"等组合词，这类词叫做非视觉词（non-visual word），更多依赖的是语义信息而不是视觉信息。而且，在生成caption的过程中，非视觉词的梯度会误导或者降低视觉信息的有效性。因此，本文提出了带有视觉标记的自适应的attention模型（adative attention model with a visual sentinel），在每一个time step，模型决定更依赖于图像还是visual sentinel。其中，visual sentinel存放了decoder已经知道的信息。

本文的贡献在于

1. 提出了带有视觉标记的自适应的attention模型
2. 提出了新的spatial attention机制
3. 提出了LSTM的扩展，在hidden state以外加入了一个额外的visual sentinel vector

---

Method

Spatial Attention Model

文章介绍了普通的encoder-decoder框架，这里不再赘述。但文章定义了context vector $c_t$，对于没有attention机制的模型，$c_t$就是图像经过CNN后提取出的feature map，是不变的；而对于有attention机制的模型，基于hidden state，decoder会关注图像的不同区域，$c_t$就是该区域经过CNN后提取出的feature map。

文章对$c_t$的定义如下：

$c_t=g(V,h_t)$

其中g是attention function，$V=[v_1,...,v_k]$代表k个区域的图像feature，$h_t$是t时刻RNN的hidden state。
由此可以得到k个区域的attention分布${\alpha }_t$：

$z_t=w_h^{T}tanh(W_{v}V+(W_g{h}_t)11^T)$ （这里把$V$与$h_t$相加，而有些论文则使用一个双线性矩阵来连接它们）
${\alpha }_t=softmax(z_t)$

其中$11\in {\mathcal{R}}^k$是所有元素为1的向量,目的是让$(W_g{h}_t)11^T$相乘得到k*k大小的矩阵。
最终本文的$c_t $为

$c_t={\sum }_{i=1}^k{\alpha }_{ti}{v}_{ti}$

与show, attend and tell使用$h_{t-1}$的做法不同，本文使用的是$h_t$。结构如下

作者认为$c_t $可以看作$h_t$的残差连接，可以在预测下一个词时降低不确定性或者提供情报。（不是应该做一个实验验证使用$h_t$和$h_{t-1}$的差别？）并且发现，这种spatial attention方式比其他模型表现更好。

Adaptive Attention Model

decoder存储了长时和短时的视觉和语义信息，而visual sentinel $s_t$作为从里面提取的一个新的元件，用来扩展上述的spatial attention model，就得到了adaptive attention model。

具体的扩展方式就是在原有的LSTM基础上加了两个公式：

$g_t=\sigma (W_x{x}_t+W_h{h}_{t-1})$
$s_t=g_t\odot tanh(m_t)$

其中$x_t$是LSTM的输入，$m_t$是memory cell（有些论文里用$c_t$表示）。
这里的$g_t$叫sentinel gate，公式形式类似于LSTM中的input gate, forget gate, ouput gate，决定了模型到底关注图像还是visual sentinel；而$s_t$公式的构造与LSTM中的$h_t=o_t\odot tanh(c_t)$类似。

而adaptive attention model中的context vector $\hat{c}={\beta }_t{s}_t+(1-{\beta }_t)c_t$

${\beta }_t\in [0,1]$可以视为真正意义上的sentinel gate，控制模型关注visual sentinel和$c_t$的程度。
与此同时，spatial attention部分k个区域的attention分布${\alpha }_t$也被扩展成了$\widehat{{\alpha }_t}$，做法是在$z_t$后面拼接上一个元素：

$\widehat{{\alpha }_t}=softmax([z_t;w_h^{T}tanh(W_s{s}_t+(W_g{h}_t))])$

扩展后的$\widehat{{\alpha }_t}$有k+1个元素，而${\beta }_t=\widehat{{\alpha }_t}[k+1]$。
（CVPR和arxiv版本的原文都写的是${\beta }_t={\alpha }_t[k+1]$，我在github上问了作者，这确实是个笔误https://github.com/jiasenlu/AdaptiveAttention/issues/14）
这里的$W_g$与$z_t=w_h^{T}tanh(W_{v}V+(W_g{h}_t)11^T)$ 中的$W_g$是相同的（为什么这样做？$W_h$也是一样的，作者在这里没有提到，在后续的论文里的公式(9)提到了）。

上述公式可以简化为：

${\beta }_t=w_h^{T}tanh(W_s{s}_t+(W_g{h}_t))]$
$\hat{c}={\beta }_t{s}_t+(1-{\beta }_t)c_t$
$\widehat{{\alpha }_t}=softmax([z_t;{\beta }_t])$

最终单词的概率分布：
$p_t=softmax(W_p(\hat{c}+h_t))$

具体架构如下：

---

Implementation Details

文章选择了ResNet的最后一层卷积层的特征来表示图像，维度是2048x7x7，并使用 A = { a 1 , . . . , a k } , a i ∈ R 2048 A = \{ a_1 , ..., a_k\}, a_i \in \mathcal R^{2048} A={a1​,...,ak​},ai​∈R2048来表示k个局部图像特征，而全局图像特征则是局部特征的平均：
$a^g=\frac{1}{k}{\sum }_{i=1}^k{a}_i$
局部图像特征需要经过转换：
$v_i=ReLU(W_a{a}_i)$
$v_g=ReLU(W_b{a}_g)$
最终全局图像特征将与word embedding拼接在一起成为LSTM的输入：$x_t=[w_t;v_g]$（这里有一个细节，是不是因为这里把全局图像特征拼接进来了，才导致模型spatial attention与其他模型相比的提升呢？作者并没有进行这样的对比。https://github.com/jiasenlu/AdaptiveAttention/issues/2）
局部图像特征则用在了attention部分。

---

Experiment

Table 1在test splits上对比了在Flickr30k和MSCOCO数据集上模型与其他模型的表现，可以看到，模型的spatial attention部分就已经比其他模型表现好了，而加入了adaptive attention部分以后表现更加出色。

Table 2在COCO server上对比了模型与其他模型的表现可以看到，adaptive attention模型（emsemble后）的表现是当时SOTA的结果。

Fig 4是spatial attention的权重$\alpha$的可视化结果，前两列是成功的样本，最后一列是失败的样本。模型进行attention的区域基本都是合理的，只是可能对一些物体的材质判断失误。

Fig 5主要是sentinel gate $1-\beta$ 的可视化，对于视觉词，模型给出的概率较大，即更倾向于关注图像特征$c_t$，对于非视觉词的概率则比较小。同时，同一个词在不同的上下文中的概率也是不一样的。如"a"，在一开始的概率较高，因为开始时没有任何的语义信息可以依赖、以及需要确定单复数。

Fig 6对COCO和Flickr30k中词典中的词被认为是视觉词的平均概率进行了排序，来看看模型能否分辨出视觉词与非视觉词，两个数据集间的相关性为0.483。其中，

1. 对于一些实际上是视觉词，但是与其他词有很大关联性的词，模型也会把它视为非视觉词，如"phone"一般都跟在"cell"后面。
2. 不同数据集上不同的词的概率不一样，如"UNK"，可能是由于训练数据分布的不同。
3. 对于一些有相近意义的同源词，如"crossing", “cross”, “crossed”，他们的概率却相差很大。（为什么？）
   模型没有依赖外部的语料信息，完全是自动地发现这些趋势。

Fig 11显示了使用弱监督方法生成的bounding box与真实bounding box的对比。本文是第一个使用这种方法来评估
image caption的attention效果的。具体生成方法是，对于某个单词而言，先用NLTK将其映射到大类上，如"boy", "girl"映射到people。然后图像中attention weight小于阈值（每个单词的阈值都不一样）的部分就会被分割出来，取分割后的最大连通分量来生成bounding box。并计算生成的和真实bounding box的IOU(intersection over union)，对于spatial attention和adaptive attention模型，其平均定位准确率分别为0.362和0.373。说明了，知道何时关注图像，也能让模型更清楚到底要去关注图像的哪个部分。

Fig 7显示了top 45个COCO数据集中出现最频繁的词的定位准确性。对于一些体积较小的物体，其准确率是比较低的，这是因为attention map是从7x7的feature map中直接放大的，而7x7的feature map并不能很好地包含这些小物体的信息。

Fig 8显示了单词"of"在spatial attention和adaptive attention模型中的attention map。如果没有visual sentinel，非视觉词如"of"的attention就会高度集中在图像的边缘部分，可能会在反向传播时形成噪声影响训练。

---

总结

本文提出了adaptive attention机制，其模型公式都非常简单，adaptive attention部分增加的几个变量也非常简洁，但却对模型的表现有了很大的提升。文章进行的详尽的实验又进一步验证了adaptive attention的有效性，可谓非常巧妙。

PS:如果读者想要复现这篇论文的结果，这个链接会对你有帮助。https://github.com/jiasenlu/AdaptiveAttention/issues/4

---