Ask, Attend and Answer: Exploring Question-Guided Spatial Attention for Visual Question Answering
Huijuan Xu and Kate Saenko
Huijuan Xu and Kate Saenko
Department of Computer Science, UMass Lowell, USA hxu1@cs.uml.edu, saenko@cs.uml.edu
arXiv:1511.05234v2 [cs.CV] 19 Mar 2016
摘要:
在VQA和NIC以往的方法中,一般是基于CNN+RNN, 但没有考虑对空间信息推导建模。
为了弥补这个不足,本文提出了空间记忆网络 Spatial Memory Network 用于VQA任务。
记忆网络是带有精确注意力机制的RNN,该注意力机制选择信息的若干部分存储。
本文的SMN存储来自图像不同空间区域的'神经元刺激'到记忆中,并用问题选择相关图像区域来计算答案,这个过程构成了网络中的一跳hop
本文提出一种新的空间注意力架构,在第一'跳'时对齐词和图像小块,通过增加第二个注意力'跳'来改进结果,第二跳基于第一跳的结果并考虑整个问题选择视觉证据
占位,持续更新ing