AI识图驴唇不对马嘴？Google AI：利用交错训练集提升图像描述准确性

新智元报道

来源：Google AI Blog

编辑：好困

【新智元导读】图像描述是计算机视觉、自然语言处理和机器学习的综合问题。近日，谷歌AI提出了一个新的训练集，可以有效提升图像和文本语义匹配的相似性。

如果一张图片可以用一千个单词描述，那么图片中所能被描绘的对象之间便有如此多的细节和关系。我们可以描述狗皮毛的质地，要被追逐的飞盘上的商标，刚刚扔过飞盘的人脸上的表情，等等。

现阶段，包含文本描述及其相应图像的描述的数据集（例如MS-COCO和Flickr30k）已被广泛用于学习对齐的图像和文本表示并建立描述模型。

然而，这些数据集的跨模态关联有限：图像未与其他图像匹配，描述仅与同一张图片的其他描述匹配，存在图像与描述的匹配但未被标记为匹配项，并且没有标签标明何时图像与描述之间是不匹配的。

为了弥补这一评估空白，我们提出了「交叉描述：针对MS-COCO的扩展的模内和模态语义相似性判断」。

纵横交错描述（CxC）数据集使用图像-文本，文本-文本和图像-图像对的语义相似性评级扩展了MS-COCO的开发和测试范围。

评级标准基于「语义文本相似性」，这是一种在短文本对之间广泛存在的语义相关性度量，我们还将其扩展为包括对图像的判断。我们已经发布了CxC的评分以及将CxC与现有MS-COCO数据合并的代码。

创建CxC数据集

CxC数据集扩展了MS-COCO评估拆分，并在模态内和模态之间具有分级的相似性关联。鉴于随机选择的图像和描述匹配的相似性不高，我们提出了一种方法来对项目进行选择，通过人工评级从而产生一些具有较高相似性的新匹配。为了减少所选匹配对用于查找它们的模型的依赖性，我们引入了一种间接采样方案，其中我们使用不同的编码方法对图像和描述进行编码，并计算相同模态项匹配之间的相似度进而生成相似度矩阵。图像使用Graph-RISE嵌入进行编码，而描述则使用两种方法进行编码-基于GloVe嵌入的通用语句编码器（USE）和平均单词袋（BoW）。

由于每个MS-COCO示例都有五个辅助描述，因此我们平均每个辅助描述编码以创建每个示例的单个表征，从而确保所有描述对都可以映射到图像。

上：使用平均辅助描述编码构造的文本相似度矩阵（每个单元格对应一个相似度分数），每个文本条目对应于单个图像。下：数据集中每个图像的图像相似度矩阵。

我们从文本相似度矩阵中选择两个具有较高计算相似度的描述，然后获取它们的每个图像，从而生成一对新的图像，这些图像在外观上不同，但根据描述的相似。

例如，「一只害羞地向侧面看的狗」和「一只黑狗抬起头来享受微风」具有相当高的模型相似性，因此下图中两只狗的对应图像 可以选择图像相似度等级。此步骤也可以从两个具有较高计算相似度的图像开始，以产生一对新的描述。

上：根据描述相似度来选择图像匹配。下：根据描图像的相似度来选择描述匹配。

通过使用现有的图像标题对在模态之间进行链接来做到这一点。例如，如果人对一个描述匹配样本ij的评级为高度相似，我们从样本i中选择图像，并从样本j中选择描述，以获得一个新的用于人工评级的模态内匹配。然后，我们使用具有最高相似性的模态内对进行采样，这可以包括一些具有高度相似性的新匹配。

不同相似度的语义图像相似性（SIS）和语义图像文本相似性（SITS）示例，其中5为最相似，0为完全不相似。

评估

MS-COCO的匹配是不完整的，因为有时为一幅图像的描述同样适用于另一幅图像，但这些关联并未记录到数据集中。CxC使用新的正向匹配增强了这些现有的检索任务，并且还支持新的图像-图像检索任务。

通过其相似度的评级判断，CxC还可以测量模型和人工评级之间的相关性。不仅如此，CxC的相关性分数还考虑相似度的相对顺序，其中包括低分项（不匹配项）。

我们进行了一系列实验，以展示CxC评级的效用。为此，我们使用基于BERT的文本编码器和使用EfficientNet-B4作为图像编码器构造了三个双编码器（DE）模型：

1. 文本-文本（DE_T2T）模型，双方使用共享的文本编码器。

2. 使用上述文本和图像编码器的图像文本模型（DE_I2T），且在文本编码器上方有一个用来匹配图像编码器输出的层。

3. 在文本-文本和图像-文本任务的加权组合上训练的多任务模型（DE_I2T + T2T）。

文本-文本（T2T），图像-文本（I2T）和多任务（I2T + T2T）双编码器模型的CxC检索结果

从检索任务的结果可以看出，DE_I2T + T2T（黄色条）在图像文本和文本图像检索任务上的性能优于DE_I2T（红色条）。因此，添加模态内（文本-文本）训练任务有助于提高模态间（图像-文本，文本-图像）性能。

相同模型的CxC相关结果

对于关联任务，DE_I2T在SIS上表现最好，而DE_I2T + T2T在总体上是最好的。相关分数还显示DE_I2T仅在图像上表现良好：它具有最高的SIS，但具有更差的STS。

添加文本-文本损失到DE_I2T训练中（DE_I2T + T2T），可以使整体性能更加均衡。

参考资料：

https://ai.googleblog.com/2021/05/crisscrossed-captions-semantic.html

https://arxiv.org/pdf/2004.15020.pdf