图像描述(image caption)2018 NIPS论文总结
1. Partially-Supervised Image Captioning
这篇文章是半监督来训练image caption的任务,因为image caption的数据集相对图像分类、目标检测等的数据集小的多,限制了image caption模型的泛化应用性。因此,本文考虑不使用传统的image caption数据集,仅仅使用image的label和object来生成图像的描述。模型简称PS3。
模型overview如下:
因为只有image的label和object数据,因此本文使用FSA(有限状态自动机)来表示句子的结构,再使用CBS(条件beam search)来找到概率最大最有可能是caption的句子。再使用得到的caption和image使用传统的image caption模型来训练。
具体使用FSA来表示句子的结构如图:
其中在c中,D为可能的单词的集合。
最终用A来表示可能的句子,再使用极大似然估计来估计最终的句子,作为输入image对应的caption。
文章使用的image caption是2018 CVPR的up-down模型,用上述的image-caption对来训练模型。
迭代训练这两步,得到最终完整的训练好的模型。
在实验阶段,这个PS3框架