阅读笔记（Multimodal Compact Bilinear Pooling for Visual Question Answering and Visual Grounding)

转载请注明出处：西土城的搬砖工
论文链接：Multimodal Compact Bilinear Pooling for Visual Question Answering and Visual Grounding

来源：EMNLP（2016）

关键词：Multimodal Compact Bilinear(MCB)，VQA

问题：

对于像视觉问答系统、视觉定位系统这样Multimodal任务，需要融合不同类型modal的向量得到一个joint representation。传统的向量融合方式一般是：点乘，点加，全连接。作者认为这些方法不如向量的外积更具有表达性。但是向量的外积会引起维度的急剧增加，因此作者提出了MCB的方法。

方法：

1 MCB的框架

双线性模型：z = W[x @q](@表示外积)

如果x和q都是2048维，z是3000维，整个参数空间大小是：2048*2048*3000 ,所以需要对外积进行降维和避免直接计算外积。

降维：通过the count sketch projection function ，将向量v(n维)映射到向量y(d维)。

避免直接计算外积：

2 MCB在VQA任务的应用

1.VQA结构：

给定图片和问题，预测答案的过程可以看做一个在候选答案集合进行多分类的任务：

对于输入的问题，利用2-LSTM，每层1024个结点，得到2048维度的文本向量；对于输入的图片，利用预训练好的152层的Res-net。然后将这两个向量通过MCB后正则化和归一化后得到16000联合表示的向量，再将这16000维度的向量连接到3000个答案上进行多分类。

2.Multiple Attention：

Attention机制使得模型专注于输入特征的和当前问题最相关的部分，目前常用的是soft-attention的方法。而multiple attention的动机则是相当于回答问题之前多次的观察。

首先利用MCB产生一个联合向量，然后使用两个卷积层去预测每一个区域的attention权值，通过softmax归一化后的soft attention map和原始视觉向量加和，得到注意力视觉向量。比较巧妙地的是产生了两个attention map,模仿多次的观察。

实验结果：

MCB性能对比实验：

1 MCB优于点乘，点加，全连接的方法

2参数规模相同的时候，MCB优于Concat+FC+FC

3压缩对双线性池化的方式没有太大影响

4 soft attention，最好的搭档是MCB

从实验结果上看：

MCB：1%多

Att ：3%多

Genome：1%多

Glove：0.2%左右

相关工作：

1向量的连接方式：

a = [1,2], b = [3,4]

点乘（element-wise）[3,8]

点加（elsement-add）[4,6]

全连接（concencate）[1,2,3,4]

内积（inner-product）11

外积（outer-product）向量

维基百科中对向量外积的定义：

2 MCB的前世今生：

①1T.-Y. Lin（et.all) CNN models for fine-grained visual recognition.在细粒度视觉识别任务中，作者把CNN网络的全连接层改为双线性层后，取得了很大提升。

②2Yang Gao（et.all) Compact bilinear pooling

提出两种压缩双线性模型，和完整的双线性模型相比，损失基本不变但是参数规模缩减了两个数量级，而且支持端到端的训练结构。

③3Ninh Pham(et.all)在Fast and scalable polynomial kernels via explicit feature maps

提出了两个向量外积的count sketch可以被转化为每个countsketch的卷积。

3 VQA：

任务：给定一张图片和自然语言形式的问题，生成自然语言形式的答案。

背景：这个任务同时涉及到了CV和nlp两个领域。类似的多领域问题最近非常火的就是看图说话（Image Caption）任务，但是看图说话只需要产生对图片的一般性描述，而视觉问答需要理解问题的真正含义，根据问题的不同仅聚焦与图片中的某一部分，而且某些问题还需要一定的常识推理才能做出回答。因此，VQA相比看图说话在图像语义的理解方面有更高的要求。

方法：近年来，各种以CNN网络为基础的深度学习网络层出不穷，将图像的底层特征如纹理，边角，色彩逐层抽取组合成更高级的语义特征。和传统的词包模型相比，rnn模型能够捕捉词语序列，通过参数共享的方式减少参数规模，并且LSTM，GRU等等改进版本能够更好捕捉长距离信息的表达。目前，利用CNN抽取图像语义信息，rnn抽取问题中包含的文本语义信息，将两者的信息融合构造组合模型是VQA问题的主流方法。从答案的生成方式看可以分为：分类模式和生成模式。

分类：

生成：
小结：VQA这样的任务，主流的方法都是需要联合表达图像信息和文本信息。目前主流的结合两个向量的方式有点乘，点加，连接。但是作者觉得这样产生的联合向量表达能力不够，不足以捕捉多模型之间复杂的交互信息。于是作者提出了这样一个猜想：多模型向量的外积可以表达多模型向量的交互信息。因为传统的向量结合方式都是针对单个元素的，向量外积的方式是对两个向量之间所有元素的乘法操作。但是双线性模型计算向量外积的过程中，产生的向量维数太大，计算量太大，所以双线性模型计算外积的方式并没有被广泛采用。

简评：

之前老师说过，创新点可以分为应用创新和模型创新。我觉得这两种创新方式其实是相辅相成的。这里作者因为想要改进VQA模型中视觉向量和问题向量的融合方式，提出了外积这个想法，成功地将之前的cbp(compact biliniaer pooling)模型改进后应用到模型融合的过程中。这种解决问题的思路值得我们参考和学习。

本文还有一个创新点就是应用了soft attention。并且使用的了两层attention maps，对MCB后的联合向量去求attention weight后对关注的视觉向量。

再者，作者参加VQA比赛的时候，单个模型最好的的实验结果是MCB+att+genome+glove，只比后面两名高了1个百分点左右。但是集成7个模型的时候取得的的结果则比后面的模型提升了4到5个百分点。说明在做这种比赛的时候，还是能够多用一些trick提升就多用一些。