图像描述(image caption)2019 CVPR oral论文总结
1. Fast, Diverse and Accurate Image Captioning Guided By Part-of-Speech
这篇文章旨在使用part-of-speech帮助生成多样的image caption,所谓part-of-speech可以理解成image的高层语义总结信息,用这个part-of-speech来指导模型生成对应的image caption,对比其他的生成多样性描述的结果如下:
可以看到使用最常见的beam search和它的衍生方法生成的速度较慢,并且虽然生成多个caption,但她们之间的相似性较高,但也较为准确。使用AG-CVAE,使用高斯噪声的自编码器还有使用GAN来生成多样caption的方法,虽然速度和多样性较好,但是由于不太稳定并且和一定的扰动,因此准确性较差。而本文提出的方法POS不仅速度快,多样性高,并且生成的模型较为准确。
模型的overview如下:
如图对于一张图像,使用part-of-speech分类来生成image的标签序列数据,