標題：神經模組網路
來源：CVPR 2016 https://openaccess.thecvf.com/content_cvpr_2016/html/Andreas_Neural_Module_Networks_CVPR_2016_paper.html
程式碼：https://github.com/jacobandreas/nmn2
一、問題提出
增強了網路的可解釋性
VQA模型的分類：
（1）巨型網路 (monolithic network)：傳統的神經網路，以CNN、RNN等為基礎，設計一個固定的網路架構處理 VQA 任務，比如CNN+LSTM 再連一個全連線分類器；
（2）神經模組網路（Neural modular network ，NMN），該類方法認為問題是一系列基礎模組的組合（如find, relate, count等），這些基礎模組的功能可以用子網路來擬合，回答不同的問題需要選擇不同模組網路來組合成一個大網路，因此網路結構是視問題而定的、動態的。相比於巨型網路，這種動態組合的網路更加直觀、可解釋，中間過程也更加透明。
本文首次提出了Neural Module Networks神經模組網路（NMN），不是像傳統的神經網路模型一樣是一個整體，它是由多個模組化網路組合而成。根據VQA資料集中每個questions定製一個網路模型。也就是說NMN模型的網路是根據question的語言結構動態生成的。
二、主要思想
2.1 主要步驟：
Step1：使用語義分析器parser分析每個問題，並結合分析獲取模組佈局layout（包括回答問題所需要的基本計算模組和之間的關係）。
Setp2：組合生成針對特定任務的模組，回答問題。模組內部需要人工設計，模組之間傳遞的資訊可能是原始影像特徵、注意力或分類決策。NMN中的所有模組都是獨立的和可組合的，這使得計算對於每個問題例項是不同的，並且在訓練期間可能不會被觀察到。
該圖中首先生成一個關注狗的注意力（attend模組），它將其輸出傳遞給一個位置分類器（classify模組）。
Step3：最終答案使用了一個迴圈網路(LSTM)來讀取問題輸入，並結合NMN的輸出綜合得到分類結果。
2.2 問題定義：
三元組(w, x, y)
w：自然語言問題
x：圖片
y：答案
模型由模組m的集合完全確定，每個模組都具有相關引數\(\theta_m\)和一個從字串對映到網路的網路佈局layout的預測器P。給定\(\left(w,x\right)\)，模型基於P(w)例項化一個網路，傳遞x (也可能是w)作為輸入，並在標籤上獲得一個分佈(對於VQA任務，要求輸出模組是一個分類器)。因此，模型最終編碼一個預測分佈\(p(y|w,x;\theta)\) 。
2.3 具體實現：
Part1：模組定義
模組操作三種基本資料型別：影像、未歸一化的注意力和標籤。
形式：
TYPE [INSTANCE] (ARG1,...)
TYPE：高階模組型別(比如注意、分類等)。
INSTANCE：考慮的模型的特定例項—例如，attend[red]定位紅色的東西，而attend[dog]定位狗。權重可以在型別級別和例項級別上共享。
模組型別包括：
注意模組attend[c]：將輸入影像中的每個位置與權重向量(每個c不同)卷積，以產生一個熱力圖或未歸一化的注意。
再注意力模組re-attend[c]：帶校正非線性(ReLUs)的多層感知器，執行一個從一個注意到另一個注意的全連線對映。例如，re-attend[above]應該將注意力轉移到最活躍的區域，而re-attend[no]應該將注意力從活躍區域移開。
組合模組combine[c]：將兩個注意力合併成一個注意力。例如，combine[and]應該只在兩個輸入都啟用的區域啟用，而combine[except]應該在第一個輸入啟用而第二個輸入不啟用的區域啟用。
測量模組measure[c]：單獨關注並通過標籤將其對映到一個分佈。由於模組之間傳遞的注意是未歸一化的，所以measure適用於評估被檢測物件是否存在，或者計算物件的集合。
分類模組classify[c]：需要注意輸入影像，並將它們對映到標籤上的分佈。
Part2：從字串到模組架構
Parsing：
用Stanford Parser解析每個問題，抽取句子中物件之間的語法關係，並生成抽象的句子表示；此外還執行基本的語義化，例如把kites變成kite、were變成be，減少了模組例項的稀疏性。
例如：what color is the trunk 轉化為 color(truck)
Layout：
基於特定的任務，將符號表示轉化為模組網路結構。
對映：
葉子節點 對應 attend模組（使用注意力）
內部節點 對應 (根據它們的度)re-attend模組或combine模組
根節點 對應 回答是/否問題的measure模組或者classify模組
具體每個模組的例項化不相同：
例如：attend[cat]和attend[trunck]引數不一樣
神經模組網路結構統計：
NMN模組視覺化例項：
NMN模組泛化：
除了提供句子，通過parser和layout得到模組網路，還可以直接提供類似於sql的查詢語句，精確地指定需求：
Part3：
預測：包括LSTM網路和NMN模組網路兩部分
LSTM網路允許我們在資料中建模潛在的語法規則。其次，它允許我們捕捉語義規律。
例如：what is flying和what are flying兩個問題，is和are都會被轉化為be，所以最終轉化為：what(fly)；但它們的答案應該分別是kite和kites。
LSTM模組和NMN模組都輸出預測答案集上的分佈。模型的最終預測結果是這兩種概率分佈的幾何平均值。
最後，LSTM模組和NMN模組是聯合進行訓練的。
三、實驗
資料集：VQA資料集 SHAPE資料集
結果：
視覺化：
正確案例：
錯誤案例：
四、總結
主要貢獻：
1、提出了神經模組網路NMN，為學習神經模組集合提供了一個通用的框架，這些神經模組集合可以動態地組合成任意深度網路。
2、NMN在回答物件或者屬性問題上表現出色。
3、提出了SHAPE資料集。