阅读小结:A Comprehensive Study of Deep Learning for Image Captioning

阅读小结:A Comprehensive Study of Deep Learning for Image Captioning

作者:O. Vinyals, A. Toshev, S. Bengio and D. Erhan

题目:A Comprehensive Study of Deep Learning for Image Captioning

出处:arXiv:1810.04020v2 [cs.CV] 14 Oct 2018

What

这是Image Captioning 领域的最新review,感觉非常好。

首先,做Cap的大概分三个类别:

  1. Temple-based Image Cap
  2. Retrieval-based Image Cap
  3. Novel image caption generation

而,DL-based是第三类 Novel Image Caption Generation的一种。基于深度学习的Cap是目前做的最多的一个方向,像我这样的渣渣跟大佬后面慢慢学、慢慢做吧。

基于深度学习的Cap方法总结:看看作者的总结图。论文的主体也是分6个部分详细介绍。
在这里插入图片描述

1. Visual Space vs. Multimodal Space
在这里插入图片描述

Bulk of Cap methods 使用的都是 visual space 生成cap。下面2-5都是基于视觉空间生成Cap的。

而 Multimodal Space 多了Language Encoder来提取单词的特征。典型的 多模态空间 结构有四个部分:

  • a Language Encoder part:提取单词特征并学习每个单词的特征嵌入;
  • a vision part,即Image Encoder部分:使用深度CNN提取图像的特征;
  • a multimodal space part:将图像特征映射到(map-into)具有单词特征的公共空间;
  • a language decoder part:通过解码map生成Cap。

2. Supervised Learning vs. Other Deep Learning
在这里插入图片描述

3. Dense Captioning vs. Captions for the whole scene
在这里插入图片描述


说完基于多模态的Cap和dense Cap,下面的都是基于视觉空间、使用监督学和整个区域生成Cap

4. Encoder-Decoder Architecture vs. Compositional Architecture
在这里插入图片描述

在这里插入图片描述
5. Others(attention-based)
在这里插入图片描述
基于Attention的方法和其他方法的不同点是,attention-based可以注意到图片中的显著部分,同时生成相应的单词。

5. Others(Semantic Concept-Based Image)
在这里插入图片描述
5. Others(Semantic Concept-Based Image)
在这里插入图片描述
在这里插入图片描述
5. Other(Stylized Caption)
上面的的方法都是基于图片内容生产Cap,是一种力求Cap符合图片内容的客观描述,而这个方法考虑生产一直风格化的Cap,比如上次幽默、搞笑等等。
在这里插入图片描述


这篇综述后面还有内容,放在以后再写。


end

  • 1
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值