论文解读：A Focused Dynamic Attention Model for Visual Question Answering

这是关于VQA问题的第四篇系列文章。本篇文章将介绍论文：主要思想；模型方法；主要贡献。有兴趣可以查看原文：A Focused Dynamic Attention Model for Visual Question Answering。

1，主要思想：

Focused Dynamic Attention (FDA)模型： 通过问题的关键词，识别图像中重要的对象；并通过LSTM单元融合来自区域和全局特征的信息。 然后将这种问题驱动的表示与问题表示相结合，并将其输入到用于生成答案的推理单元中。

2，模型

a.问题特征：

采用LSTM对问题文本提取问题表达信息。

b.图像特征

采用预训练的Deep Residual Networks model获取图像信息。

c.Focused Dynamic Attention Mechanism（重要部分）

• 在训练期间，我们使用真实对象边界框和标签。 在测试时，预先计算的边界框，并用对它们进行分类，以获得对象标签。
• 首先： 对于每个图像对象，它使用word2vec单词嵌入来测量问题单词和对象标签之间的相似性。
• 其次： 它选择相似度得分大于0.5的对象，并用预先训练的ResNet模型提取对象边界框的特征向量。
• 再次： 按照问题单词顺序，把这些图像特征送入LSTM网络。
• 最后： 向LSTM网络提供整个图像的特征向量，并使用得到的LSTM状态作为视觉特征表示

d.产生预测

采用element-wise multiplication融合两个向量，用全连接加softmax输出。

3，主要贡献：

• 提出了FDA模型，用于vqa问题；

• 将局部和全局上下文视觉特征与文本特征融合在一起

• 在过个模型上对比了开放域和多项选择两个数据集

• FDA可以减少噪声的影响：只考虑了重要的对象，其他没有对象的部分都丢掉了。并采用attention机制，找到与问题相关的对象。