论文笔记《Visual Dialog》

一、文章讨论视觉对话，让AI以自然语言与人类进行有意义的对话，讨论视觉内容。应用包括：

1、帮助视障用户理解他们周围的环境或社交媒体内容。

AI：'约翰刚从夏威夷度假时上传了一张照片'，

人类：'太棒了，他在海滩吗？

AI： 不，在山上。

2、帮助分析师根据大量监测数据做出决定。

人类：'上周有人进入这个房间吗？'

AI：'是的，有27个实例出现在镜头'

人类：'他们中是否有人携带黑色包？“

3、与人工智能助理互动。

人类：'Alexa - 你能看到宝宝在婴儿监视器中吗？'

AI：'是的，我可以'，

人类：“他在睡觉还是在玩耍？”

4、机器人应用（例如搜索和救援任务），操作人员可能处于“情境盲区”并通过语言操作。

人类：“你周围的任何房间都有烟吗？”

AI：'是的，在一个房间里' 

人类：'去那里找人'。

但是尽管视觉和语言取得大的进展，但是我们距离AI能“看”和“沟通”还很远，比如image captioning 和visual question answering，仍然有很大的进步空间，前者没有实现对话，后者只有单论对话，人机交互很糟糕。

于是作者提出视觉对话，任务描述: 给定一张图片I，一段包括一系列QA的对话记录，一个自然语言问题，让AI回答这个问题。

二、相关工作：

1、视觉和语言：视觉和语言结合的工作有很多： image captioning, video/movie description , text-to-image coreference/grounding, visual storytelling,  visual question answering (VQA) ，不过它们都没有对话。

2、视觉图灵测试：图灵测试是一个系统，要求模板化的二进制问题。我们的数据集自由、多样，每张图片10对QA。

3、基于文本的QA：

4、对话模型和聊天机器人：视觉对话可以说是基于文本的对话的变体，早期聊天机器人是基于规则，现在基于学习的端到端的方法很多。

三、数据集VisDial

四、模型

输入：图片I、对话历史（包括图片描述），其中C是caption，QA是问答

有100个候选回答At = ，需要返回其中一个值。

Decoder：两种类型的解码器

1、生成解码器G：在训练期间，最大化真实回答序列的对数似然率。 为了评估，我们使用模型的对数似然率分数和排名候选答案

2、判别（softmax）解码器D：计算每个选项的后验概率，在训练期间，最大化正确选项的对数似然率。 在评估过程中，选项根据后验概率进行简单排序。

Encoder：三种编码器，将(I，H，Qt)融合为一种表达。

1、后期融合LF：把H看作整个历史的串联(H0，...，Ht-1)

2、分层递归HRE：

3、记忆网络MN：

五、实验

1 下载数据集，预处理数据集

python prepro.py

生成data/visdial_data.h5(tokenized captions, questions, answers, image index) 和 data/visdial_params.json (vocabulary mappings and COCO image ids).

2 VGG16提取图片特征

sh scripts/download_model.sh vgg 16   

 得到 data/data_img.h5

th prepro_img_vgg16.lua 

得到data/models/vgg16

3 训练

th train.lua  

得到checkpoints/

4 评估

th evaluate.lua

5 Beam Search ，可视化结果

th generate.lua

得到vis/results/results.json

python3 -m http.server

在网站localhost:8000看到结果