關於作者：蔡文傑，華南理工大學碩士生，研究方向為Image Caption。

■ 論文 | Knowing When to Look: Adaptive Attention via A Visual Sentinel for Image Captioning

■ 連結 | www.paperweekly.site/papers/219

■ 原始碼 | github.com/jiasenlu/AdaptiveAttention

Introduction

目前大多數的基於 Attention 機制的 Image Captioning 模型採用的都是 encoder-decoder 框架。然而在 decode 的時候，decoder 應該對不同的詞有不同的 Attention 策略。例如，“the”、“of”等詞，或者是跟在“cell”後面的“phone”等組合詞，這類詞叫做非視覺詞（Non-visual Word），更多依賴的是語義資訊而不是視覺資訊。而且，在生成 caption 的過程中，非視覺詞的梯度會誤導或者降低視覺資訊的有效性。

因此，本文提出了帶有視覺標記的自適應 Attention 模型（Adative Attention Model with a Visual Sentinel），在每一個 time step，模型決定更依賴於影像還是 Visual Sentinel。其中，visual sentinel 存放了 decoder 已經知道的資訊。

本文的貢獻在於：

• 提出了帶有視覺標記的自適應 Attention 模型

• 提出了新的 Spatial Attention 機制

• 提出了 LSTM 的擴充套件，在 hidden state 以外加入了一個額外的 Visual Sentinel Vector

Method

Spatial Attention Model

文章介紹了普通的 encoder-decoder 框架，這裡不再贅述。但文章定義了 context vector ct，對於沒有 attention 機制的模型，ct 就是影像經過 CNN 後提取出的 feature map，是不變的；而對於有 attention 機制的模型，基於 hidden state，decoder 會關注影像的不同區域，ct 就是該區域經過 CNN 後提取出的 feature map。

文章對 ct 的定義如下：

其中 g 是 attention function，V=[v1,...,vk] 代表 k 個區域的影像 feature，ht 是 t 時刻 RNN 的 hidden state。 由此可以得到 k 個區域的 attention 分佈 αt：

這裡把 V 與 ht 相加，而有些論文則使用一個雙線性矩陣來連線它們。

其中是所有元素為 1 的向量，目的是讓相乘得到 k*k 大小的矩陣。最終本文的 ct 為：

與 show, attend and tell [1] 使用 ht−1 的做法不同，本文使用的是 ht。結構如下：

作者認為 ct 可以看作 ht 的殘差連線，可以在預測下一個詞時降低不確定性或者提供情報。（不是應該做一個實驗驗證使用 ht 和 ht−1 的差別？）並且發現，這種 Spatial Attention 方式比其他模型表現更好。

Adaptive Attention Model

decoder 儲存了長時和短時的視覺和語義資訊，而 Visual Sentinel st 作為從裡面提取的一個新的元件，用來擴充套件上述的 Spatial Attention Model，就得到了 Adaptive Attention Model。

具體的擴充套件方式就是在原有的 LSTM 基礎上加了兩個公式：

其中 xt 是 LSTM 的輸入，mt 是 memory cell（有些論文裡用 ct 表示）。

這裡的 gt 叫 sentinel gate，公式形式類似於 LSTM 中的 input gate, forget gate, output gate，決定了模型到底關注影像還是 visual sentinel；而 st 公式的構造與 LSTM 中的 ht=ot⊙tanh(ct) 類似。

Adaptive Attention Model 中的 Context Vector：

βt∈[0,1] 可以視為真正意義上的 sentinel gate，控制模型關注 visual sentinel 和 ct 的程度。與此同時，Spatial Attention 部分 k 個區域的 attention 分佈 αt 也被擴充套件成了 αt^，做法是在 zt 後面拼接上一個元素：

擴充套件後的 αt^ 有 k+1 個元素，而 βt=αt^[k+1]。（CVPR 和 arXiv 版本的原文都寫的是 βt=αt[k+1]，我在 Github 上問了作者，這確實是個筆誤 [2]）。

這裡的 Wg 與中的 Wg 是相同的（為什麼這樣做？Wh 也一樣嗎？作者在這裡沒有提到，在後續論文 [3] 裡的公式 (9) 提到了）。

上述公式可以簡化為：

最終單詞的機率分佈：

具體架構如下：

Implementation Details

文章選擇了 ResNet 的最後一層卷積層的特徵來表示影像，維度是 2048x7x7，並使用來表示 k 個區域性影像特徵，而全域性影像特徵則是區域性特徵的平均：

區域性影像特徵需要經過轉換：

最終全域性影像特徵將與 word embedding 拼接在一起成為 LSTM 的輸入：xt=[wt;vg] 區域性影像特徵則用在了 attention 部分。

Experiment

Table 1 在 test splits 上對比了在 Flickr30k 和 MSCOCO 資料集上模型與其他模型的表現，可以看到，模型的 Spatial Attention 部分就已經比其他模型表現好了，而加入了 Adaptive Attention 部分以後表現更加出色。

Table 2 在 COCO server 上對比了模型與其他模型的表現可以看到，Adaptive Attention 模型（emsemble後）的表現是當時 SOTA 的結果。

Fig 4 是 Spatial Attention的權重 α 的視覺化結果，前兩列是成功的樣本，最後一列是失敗的樣本。模型進行 attention 的區域基本都是合理的，只是可能對一些物體的材質判斷失誤。

Fig 5 主要是 sentinel gate 1−β 的視覺化，對於視覺詞，模型給出的機率較大，即更傾向於關注影像特徵 ct，對於非視覺詞的機率則比較小。同時，同一個詞在不同的上下文中的機率也是不一樣的。如"a"，在一開始的機率較高，因為開始時沒有任何的語義資訊可以依賴、以及需要確定單複數。

Fig 6 對 COCO 和 Flickr30k 中詞典中的詞被認為是視覺詞的平均機率進行了排序，來看看模型能否分辨出視覺詞與非視覺詞，兩個資料集間的相關性為 0.483。其中：

1. 對於一些實際上是視覺詞，但是與其他詞有很大關聯性的詞，模型也會把它視為非視覺詞，如"phone"一般都跟在"cell"後面；

2. 不同資料集上不同的詞的機率不一樣，如"UNK"，可能是由於訓練資料分佈的不同；

3. 對於一些有相近意義的同源詞，如"crossing", "cross", "crossed"，他們的機率卻相差很大。（為什麼？） 模型沒有依賴外部的語料資訊，完全是自動地發現這些趨勢。

Fig 11 顯示了使用弱監督方法生成的 bounding box 與真實 bounding box 的對比。本文是第一個使用這種方法來評估 image caption 的 attention 效果的。

具體生成方法是，對於某個單詞而言，先用 NLTK 將其對映到大類上，如“boy”, “girl”對映到 people。然後影像中 attention weight 小於閾值（每個單詞的閾值都不一樣）的部分就會被分割出來，取分割後的最大連通分量來生成 bounding box。

並計算生成的和真實 bounding box 的 IOU (intersection over union)，對於 spatial attention 和 adaptive attention 模型，其平均定位準確率分別為 0.362 和 0.373。說明了，知道何時關注影像，也能讓模型更清楚到底要去關注影像的哪個部分。

Fig 7 顯示了 top 45 個 COCO 資料集中出現最頻繁的詞的定位準確性。對於一些體積較小的物體，其準確率是比較低的，這是因為 attention map 是從 7x7 的 feature map 中直接放大的，而 7x7 的 feature map 並不能很好地包含這些小物體的資訊。

Fig 8 顯示了單詞“of”在 spatial attention 和 adaptive attention 模型中的 attention map。如果沒有 visual sentinel，非視覺詞如“of”的 attention 就會高度集中在影像的邊緣部分，可能會在反向傳播時形成噪聲影響訓練。

總結

本文提出了 Adaptive Attention 機制，其模型公式都非常簡單，Adaptive Attention 部分增加的幾個變數也非常簡潔，但卻對模型的表現有了很大的提升。文章進行的詳盡的實驗又進一步驗證了 Adaptive Attention 的有效性，可謂非常巧妙。

相關連結

[1]. Show, Attend and Tell: Neural Image Caption Generation with Visual Attention

https://arxiv.org/abs/1502.03044

[2]. 筆誤

https://github.com/jiasenlu/AdaptiveAttention/issues/14

[3]. Neural Baby Talk

https://www.paperweekly.site/papers/1801