Paper | CVPR 2019 Image Caption 之 无监督图像描述

论文题目：Unsupervised Image Captioning

论文作者：Yang Feng, Lin Ma, Wei Liu, Jiebo Luo

论文链接：https://arxiv.org/pdf/1811.10787.pdf

机构：Tencent AI Lab & University of Rochester

来源：CVPR 2019

分类：多模态 / NLP / Image Caption

太长不看版

本文贡献：

1. 首次提出了一种无监督的 Image Caption 模型。
2. 提出三个目标来训练模型。
3. 提出了无标注数据下的新的模型初始化pipeline方法。 通过利用视觉概念检测器，为每个图像生成一个伪caption，并使用伪图像-句子对初始化图像标题模型。
4. 从网上抓取了200多万个句子的大型图像描述语料库。

主要思想

深度神经网络在Image Caption任务上取得了巨大的成功。然而，现有的大多数模型严重依赖于成对的图像-句子数据集，这些数据集的获取成本非常高。

在本文中，我们首次尝试以无监督的方式训练一个图像字幕模型。我们所提出的模型不依赖于人工的图像-句子对，而仅仅需要一个图像集、一个句子语料库和一个视觉概念检测器。

句子语料库用于指导Image Caption模型如何生成接近真实的句子。同时，视觉概念检测器中的知识将被蒸馏到captioning model中，引导模型识别图像中的视觉概念。为了进一步促进生成的句子与图像在语义上的一致性，将图像和字幕投射到一个共同的潜在空间中，使它们能够相互重构。

鉴于现有的句子语料库主要用于语言研究，很少对应图像内容，我们抓取了200万个描述图像的自然句子，以方便无监督Image Caption场景。实验结果表明，我们提出的模型能够在无监督场景下产生非常好的结果。

问题提出

基于成对图像-句子数据训练的image caption模型很难推广到其他数据集之外的环境下。因此，如何缓解成对数据集的不足，利用其他可用数据来很好地生成图像描述就显得越来越重要，值得深入研究。

本文贡献：

1. 首次提出了一种无监督的 Image Caption 模型。
2. 提出三个目标来训练模型。
3. 提出了无标注数据下的新的模型初始化pipeline方法。 通过利用视觉概念检测器，为每个图像生成一个伪caption，并使用伪图像-句子对初始化图像标题模型。
4. 从网上抓取了200多万个句子的大型图像描述语料库。

相关工作

近年来，在image caption任务中对成对图像句子数据的依赖程度有所降低。

如下图所示：(a)是最基础的监督式image caption方法；(b)为新对象生成描述，这些新对象不存在于成对的图像描述训练数据中，而是存在于图像识别数据集中，如ImageNet。因此，新的目标信息可以被引入到生成的描述句子中，而不需要额外的成对的图像-句子数据；(c)提出将成对image-sentence数据集上学到的知识迁移和泛化到一个没有成对数据的新领域；(d)生成枢轴语言(中文)的caption，然后将枢轴语言字幕翻译为目标语言(英文)，不需要图像和目标语言句子的配对数据；(e)半监督框架，它使用一个外部文本语料库。(f)是我们提出的无监督方法（首次提出无监督的ImageCaption）。

图1.(a)supervised captioning，(b)novel object captioning，(c)cross-domain captioning，(d)pivot captioning，(e)semi-supervised captioning，(f)unsupervised captioning.

如果将图像作为源语言，那么无监督图像描述任务在本质上与无监督机器翻译相似。

在无监督机器翻译方法中，源语言和目标语言被映射到一个共同的潜在空间中，使得不同语言中具有相同语义意义的句子能够很好的对齐，从而可以进行后续的翻译。然而，无监督图像描述任务更具挑战性，因为图像和句子处于两种显著不同的模式中。

模型结构

图2.我们的无监督模型架构，包括一个图像编码器，一个句子生成器，和一个鉴别器。

模型流程如下：

1. 图像编码器将给定的图像编码成一个特征表示，基于该特征表示，生成器输出一个句子来描述图像。
2. 鉴别器用于区分一个句子是由模型生成的还是来自句子语料库的。
3. 生成器和鉴别器以不同的顺序耦合以执行图像和句子重建。引入对抗奖励、概念奖励和图像重建奖励，通过policy gradient对生成器进行训练。
4. 同时，利用梯度下降法对生成器进行更新，使句子重构损失最小化。对于鉴别器，其参数由对抗性损失和梯度下降的图像重建损失来更新。

一、模型构成：

一个图像编码器（CNN），一个句子生成器（LSTM），和一个鉴别器（LSTM）。

图像编码器将给定的图像编码成一个特征表示：

基于该特征表示，生成器输出一个句子来描述图像。

鉴别器用于区分一个句子是由模型生成的还是来自句子语料库。

二、如何训练：

由于我们没有任何成对的图像-句子数据可用，所以不能以监督学习的方式训练我们的模型。在本文中，我们定义了三个新的目标，使无监督训练成为可能。

2.1 对抗的caption生成

图像->【图像编码器】->图像特征->【句子生成器】->图像描述句（生成器计算对抗奖励）->【鉴别器】->判断句子出处（判别器计算对抗损失）

首先，我们希望模型生成的句子是流畅自然的，要可以骗过人类读者，这种目标通常是通过在句子语料库上训练语言模型来实现的。

该句子生成器以图像特征为输入，生成一个句子。

鉴别器分辨句子是由模型生成的还是语料库里一个真实的句子。

生成器试图通过生成尽可能真实的句子来欺骗鉴别器。为了实现这一目标，我们在每一个时间步给生成器一个奖励，并把这个奖励命名为对抗奖励。

通过最大限度地增加对抗性奖励，生成器逐渐学会了生成接近于真实的句子。

对于鉴别器，其对应的对抗损失定义为:

2.2 视觉概念蒸馏

图像->【图像编码器】->图像特征->【句子生成器】->图像描述句 ->【视觉概念检测器】->生成的词是否存在于图像中（生成器计算概念奖励）

对抗性奖励只会鼓励模型根据语法规则生成可信的句子，这些句子可能与输入图像无关。

为了生成相关的图像描述，模型必须学会识别图像中的视觉概念，并将这些概念融入到生成的句子中。

因此，我们提出将现有的视觉概念检测器的知识提取（蒸馏）到图像描述模型中。

具体来说，当模型生成一个词，其对应的视觉概念被检测到存在输入图像中时，我们对生成的词进行奖励。

这种奖励被称为概念奖励，其奖励值由该视觉概念的信心分数（confidence score）表示。

其中，I(·)是指标函数，C={(c1,v1),...,(ci,vi),...,(cNc,vNc)}，Ci表示第i个检测到的视觉概念，vi为对应的信任分数，Nc为检测到的视觉概念总数

2.3 图像-句子双向重建

通过对抗性训练和概念奖励，生成的句子质量很大程度上取决于视觉概念检测器，因为它是图像和句子之间唯一的桥梁。

然而，现有的视觉概念检测器只能可靠地检测有限数量的对象概念。图像描述模型需要理解更多的图像语义概念，具有更好的泛化能力。

为了实现这一目标，我们将图像和句子投射到一个共同的潜在空间中，这样它们就可以互相重建，使生成的标题将在语义上与图像一致。

图3.(a)图像重建 (b)句子重建，区别在于生成器和判别器的次序不同

图像重建

图像->【图像编码器】->图像特征->【句子生成器】->图像描述句——生成器计算图像重建奖励）->【鉴别器[作为句子编码器]】->句子特征[作为图像特征]（鉴别器计算图像重建损失）

如图3 (a)所示，首先，生成器根据图像特征生成一个句子，句子标题应该包含图像的要点。接着，我们从生成的句子中重建图像，这样可以使生成的字幕在语义上与图像保持一致。

然而，这样做的一个障碍在于，使用当前的技术很难生成包含复杂对象(如人)的高分辨率图像。因此，在本文中，我们转向重建图像的特征，而不是完整的图像。

如图3 (a)所示，鉴别器可以看作是一个句子编码器。在鉴别器上叠加一个全连通层，将最后一个隐藏状态 h 投射到图像和句子的公共潜空间，公式如下：

其中x’可以进一步看作是从生成的句子中重构出来的图像特征。因此，我们定义一个额外的图像重建损失来训练鉴别器：

可以看出，生成器与鉴别器共同构成了图像重建过程。因此，定义生成器的图像重建奖励为:（与负重建误差成正比）

句子重建

图像描述句 ->【鉴别器[作为句子编码器]】->句子特征->【句子生成器】->图像描述句（生成器计算句子重构损失）

如图3 (b)所示，鉴别器可以对一个句子进行编码，并将其投射到公共潜在空间中，该潜在空间可以看作是与给定句子相关的一个图像表示。生成器可以根据得到的表示重建句子。

这种句子重构过程也可以看作是一个句子去噪的自动编码器。除了在潜在空间中对齐图像和句子外，它还学习了如何从公共空间中的图像表示来解码句子。为了使输入句可以进行可靠、鲁棒的重构，我们在输入的句子中加入了噪声。将句子重构的目标定义为交叉熵损失:

其中 sˆt 是句子中的第 t 个单词。

2.4 集成

以上三个目标用作联合训练我们的模型。

对于生成器，由于单词采样操作是不可微的，我们使用policy gradient训练生成器，该联合奖励包括对抗奖励、概念奖励和图像重建奖励。

除了政策梯度估计的梯度外，句子重构损失还提供了梯度.

更具体地说，联合奖励包括对抗奖励、概念奖励和图像重建奖励。此外，句子重构损失还通过反向传播为生成器提供了梯度。这两种类型的梯度都被用来更新生成器。θ表示生成器的可训练参数。梯度对θ是由:

对于鉴别器来说，对抗和图像重构的loss结合起来共同更新鉴别器参数：

在训练阶段，生成器和鉴别器交替更新。

三、初始化：

对于本模型，使用未标记数据以及提出的三个目标，从零开始充分训练我们的模型是非常具有挑战性的。因此，我们提出一个初始化pipeline来预训练生成器和鉴别器。

对于生成器，我们为每个训练图像生成一个伪标题，然后使用伪图像标题对初始化一个图像标题模型。

具体来说，

首先我们构建一个由OpenImages数据集中的对象类组成的概念字典。

其次，我们只使用句子语料库来训练一个概念到句子(con2sen)模型。对于给定的句子，我们使用一层LSTM将句子中的概念词编码为一个特征表示，并使用另一层LSTM将该表示解码为整个句子。

第三，我们使用现有的视觉概念检测器来检测每个图像的概念。通过检测到的概念和概念到句子的模型，我们能够为每个图像生成一个伪标题。

第四，我们使用标准监督学习方法，用伪图像-标题对生成器进行训练。这被命名为特征到句子(feat2sen)，用于初始化生成器。

对于鉴别器，通过在句子语料库上训练一个对抗句生成模型来初始化参数。

实验结果与示例

评价指标为：BLEU, METEOR, ROUGE, CIDEr, and SPICE scores

评价脚本地址：https://github.com/tylin/coco- caption

结论

本文的首次尝试无监督的图像描述任务，提出了三个训练目标：

1)使生成的caption与语料库中的句子难以区分；

2)使image caption模型传递图像中的对象信息；

3)使图像特征与句子特征在共同的潜在空间中对齐，进行双向重构。

我们也从Shutterstock中进一步收集了一个包含200多万个句子的大型图像描述语料库，以促进无监督的image caption方法。实验结果表明，该方法在不使用任何标记的图像-句子对的情况下，都能得到很好的结果。未来，我们将对无监督图像字幕进行人工评价。

译者：西柚媛

编辑：西柚媛

本文来自程序媛驿站，未经授权不得转载.