Image Caption：图像字幕生成

前言

　　图像处理与自然语言处理的结合，给图像加字幕或者描述。应用前景非常广，比如早教，图像检索，盲人导航等。图像注释问题的通用解法非常接近于Encoder-Decoder结构，下面就几种方法作简单总结。

m-RNN

　　Mao这篇2015-paper，根据输入语句和图片，为图片生成字幕；以DeepRNN 处理语句，用CNN处理图片。基本思路：直接将图像表示和词向量以及隐向量作为多模判断的输入。

　　左侧是简单RNN结构，右侧是本文所提的m-RNN(多模式)，输入是图片极其对应的语句描述。模型根据之前词和图像来评估下个词的概率分布，每一时间帧上，所有的权重都是共享的。
　　两层embedding，分别表示语法和语义含义，初始化方法采用随机初始化足矣，不用专用使用pre-trained的词向量。其中多模式模块有三个输入：词向量$w(t)$，隐状态$r(t)$，图像表示$I$。隐状态

$$r(t) = ReLU(U_r r(t-1) + w(t))$$ ，注意内部+表示元素加法。将三个输入映射到相同的多模式特征空间内：

$$m(t)=g_2(V_w w(t) + V_r r(t) + V_i I)$$ ，其中 $g_2(x)=1.7159 tanh(2/3x)$，这个激活函数能够最大限度的保证梯度集中于非线性范围内，并且加快训练过程。
　　关于图像的表示，“For the image representation, here we use the activation of the 7th layer of AlexNet (Krizhevsky et al. (2012)) or 15th layer of VggNet (Simonyan & Zisserman (2014))”。
　　优化函数如下： $$log_2 PPL(w_{1:L}|I) = - \frac{1}{L} \sum_{n=1}^L log_2 P(w_n|w_{1:n-1}, I)$$ $PPL(w_{1:L}|I)$表示在图像 $I$时，句子 $w_{1:L}$的混乱度。

C=1N∑i=1NsLilog2PPL(w(i)1:Li|I(i)+λθ||θ||22)