Iterative Alignment Network for Continuous Sign Language Recognition
2019 CVPR
框架:3D-ResNet(特征学习)+带CTC的编码器-解码器网络(序列建模)
问题1:序列建模中编码器解码器网络在建模依赖上存在一定的局限性,CTC网络能处理未分段的输入数据
解决方法:在编码器-解码器网络中引入注意力机制来学习原序列与目标序列的对应关系,构建了编码器-解码器网络与CTC相结合的统一深度学习框架。
问题2:编码器LSTM缺点只建模当前输入和前序时间序列之间的关系
解决方法:使用双向的LSTM进行编码,基本思想是分别将训练序列正序和倒序输入到两个独立的LSTM单元中,然后将其输出结构进行拼接,输入到网络的下一层。
问题3:由于损失函数采用链式法进行前向传播,则目标函数对特征提取器的浅层神经元的更新受到限制。
解决方法:直接使用视频片段对应的手语单词标签作为监督信息,对特征提取网络3D-ResNet进行优化,然后将优化的特征用于下一迭代周期中编解码网络的训练。
创新点:将LSTM和CTC解码器进行联合解码,并使用soft-DTW进行对齐约束。
网络框架:
迭代训练过程:
对3DResNet提取的序列特征进行编码后,CTC解码器和LSTM解码器将其解码为符号注释。解码器还通过软dtw生成与扭曲路径的对齐建议,以在下一次迭代中对3D-ResNet进行微调 。
CTC loss:
LSTM loss:
通过soft-DTW定义如下对齐损失:
网络的整体优化目标:
联合两种解码器的生成概率对候选句子重排序,选出生成概率最大的句子作为最终的识别结果。