人类可以很容易地推断出给定图像中最突出的物体,并能描述出场景内容,如物体所处于的环境或是物体特征。而且,重要的是,物体与物体之间如何在同一个场景中互动。...视觉描述是具有挑战性的,因为它不仅需要识别对象目标,还有其他视觉元素,如行动和属性,然后构建一个流利的句子去描述图像中的对象,其属性及行动(如:棕熊站森林里的一颗石头上)。
视觉描述现状
?...然后,我们将模型从所看到的对象(复制)的参数转移到未看到的对象(即在网络中将与斑马对应和与霍加狓对应的权值复制)。...解决这个问题的另一种方法是构建一个模型,该模型可以根据可视信息和对象标签来编写描述。...Hendricks, M. Rohrbach, R. Mooney, K. Saenko, and T. Darrell.