看图说话——CNN和LSTM的联合应用

看图说话是深度学习波及的领域之一。其基本思想是利用卷积神经网络来做图像的特征提取，利用LSTM来生成描述。但这算是深度学习中热门的两大模型为数不多的联合应用了。

本文是参考文献[1]的笔记，论文是比较早的论文，15年就已经发表了，不新。但还是想写下来它的细节以备后用。

关于CNN(卷积神经网络)和LSTM(长短期记忆网络)的细节，本文不再赘述其细节。读者们需要了解的是：

• 卷积神经网络是一种特别有效的提取图像特征的手段。一个在大数据集如ImageNet上预训练好的模型能够非常有效的提取图像的特征。
• 长短期记忆网络能够处理长短不一的序列式数据，比如语言句子。给定一个输入，网络能够给出一个序列输出。

背景

在参考论文提出的模型之前，对于看图说话这个问题，解决方法主要有两个大类：

• 利用一些预定义好的属性来进行生成，比如对于路况图像，可以判断路上多少车，然后判断路况堵不堵之后就可以生成描述。但这样不具有可扩展性，对于每种场景都需要定制。
• 使用搜索排序的方法定义该问题，即对于每张图像，在已有的描述中选择最好的一个。这种方法的限制在于不能生成新的语句。

网络模型

图像到文字的问题可以看做是一种机器翻译，在现在的机器翻译模型中，以LSTM为基础的seq2seq模型成为主流，该模型的基本思想是，对于一个数据pair (A, B)。因为A和B表达的是同一个意思，所以存在某种隐含状态h，使得A和B都对应到h。于是seq2seq模型就先对A进行编码，得到一个数据表示，再基于这个数据表示去解码，生成目标语言的文字。

图像到文字也类似，假设存在某种隐含状态h，图像可以编码到h，而基于h可以生成目标语句。

用公式表示则是：

模型则如图示：

值得注意的是，在LSTM模型方面，训练和预测的时候是不一样的。

• 在训练时，假设数据是<某张图像A, " 我 是 谁 ">，那么LSTM的输入S₀到S_N-1分别是、我、是、谁；而输出分别是 我、是、谁、。
• 在预测时，对于数据是<某张图像A1, ???>，那么LSTM的输入S₀为，S₁到S_N-1分别为上一步的输出。

实验

效果评价

使用三种评价指标：

• 人工评价： 在Amazon Mechanical Turk平台上进行评测，每条数据可以由多个人打分。
• BLEU：衡量预测结果和实际结果在N-gram上的精度。
• Perplexity： 语言模型的常用指标，语句出现的概率，等于其句子中每个词出现的概率之积。METEOR和Cider是其变种。

训练细节

为了避免过拟合，采用了如下手段：

• 使用在大数据集上预训练好的CNN模型。这样不止防止了过拟合，还会提升效果。
• 预训练好的word embedding并不能提升效果，所以没用。
• Dropout和Ensembling可以显著提升效果
• 图像的文本描述数据部分都经过了预处理
  • 统计词语频度，只保留出现过5个以上的词语。

实验结果

• 各个指标均显著变好。
• 在Flickr30k和Flickr8k的类似数据上进行对比，发现大数据集可以显著提升效果
• 在top-1的预测结果上，模型的输出有80%在训练集上出现过。而Top-15则只有50%的语句在训练集上出现过。

参考文献

[1]. Show and Tell: A Neural Image Caption Generator

公众号

更多关于Transformer、Bert、AutoML、架构等方面的知识欢迎关注公众号【雨石记】。