图像描述生成（image caption）

之前做毕业设计时，苦于没有高质量的图文数据对，了解到可以由图片生成文本，但也就体验了下模型效果，并没有进行这方面的学习，现在借此机会了解了解。

前言

image caption的目标就是根据提供的图像，输出对应的文字描述。如下图所示：

对于图片描述任务，应该尽可能写实，即不需要华丽的语句，只需要陈述图片所展现的事实即可。根据常识，可以知道该任务一般分为两个部分，一是图片编码，二是文本生成，基于此后续的模型也都是encoder-decoder的结构。

人类可以将图像中的视觉信息自动建立关系，进而感知图像的高层语义信息，但是计算机只能提取图像的特征信息，无法向人类大脑一样生成高层语义信息，这就是“语义鸿沟问题”。图像描述技术可以将视觉信息转化为语义信息，有利于解决“语义鸿沟”。

方法

1 传统image caption方法

1.1 基于模板的方法

生成的句子有固定的模板，检测图像中物体、场景和动作等相关元素，在模板中填充相关的词语，组合成句子

该方法虽然可以生成对图像的准确描述，但是缺点也十分明显，生成的内容单一且较为固定，并且人工参与程度较高。

1.2 基于检索的方法

通过图片匹配的方式实现。先将大量的（图像，图像描述）存入数据库，之后将输入图像与数据库中的图像进行对比，找出相似的图像，将对应的图像描述作为作为候选描述，再对这些描述进行合理的组织，生成输入图像的描述。

这种方法的性能依赖于标注数据集的大小和检索算法，并且受限于相似度计算的准确程度，生成的描述也相对局限，不一定能满足要求。

2 基于深度学习的image caption方法

基于深度学习的方法，概括起来就是有编码器实现对图像的编码，再由解码器生成对应的文字，结合了图像处理和自然语言生成两个方向。

2.1 NIC

论文：Show and Tell: A Neural Image Caption Generator

链接：https://arxiv.org/abs/1411.4555

“show and tell”这篇论文，于2015年提出，首次将深度学习引入image caption任务，提出了encoder-decoder的框架。

作者使用CNN提取图像特征，使用LSTM作为解码器生成对应的图像描述

根据上图，有如下计算流程：

x − 1 = C N N ( I ) x_{-1}=CNN(I) x−1​=CNN(I)
x t = W e S t , t ∈ { 0... N − 1 } x_t=W_eS_t,t\in\{0...N-1\} xt​=We​St​,t∈{0...N−1}
p t + 1 = L S T M ( x t ) , t ∈ { 0... N − 1 } p_{t+1}=LSTM(x_t),t\in\{0...N-1\} pt+1​=LSTM(xt​),t∈{0...N−1}

式中， I I I表示图像编码， W e W_e We​表示将单词进行向量化的参数矩阵， S = ( S 0 , . . . , S N ) S=(S_0,...,S_N) S=(S0​,...,SN​)表示图像对应的描述句子，其中 S 0 S_0 S0​表示句子的起始字符， S N S_N SN​表示句子的结束字符，也就是说，如果有句子there are two books and one pen，那么其应该被处理为<start> there are two books and one pen <end>的形式，当解码器生成<end>时，表示句子生成结束。

使用极大似然估计计算损失函数：

L ( I , S ) = − ∑ t = 1 N l o g p t ( S t ) L(I,S)=-\sum^N_{t=1}logp_t(S_t) L(I,S)=−∑t=1N​logpt​(St​)

2.2 注意力机制

论文：Show, Attend and Tell: Neural Image Caption Generation with Visual Attention

链接：https://arxiv.org/abs/1502.03044

这篇文章于2015年发布，在NIC的基础上引入了注意力机制，主要对解码器的结构进行改变，其示意图如下：

文中，作者一共实验了三种注意力机制，分别为additive attention、stochastic hard attention和deterministic soft attention。

2.2.1 additive attention

注意力权重的计算方式为：

e t i = f a t t ( a i , h t − 1 ) e_{ti}=f_{att}(a_i,h_{t-1}) eti​=fatt​(ai​,ht−1​)

α t i = e x p ( e t i ) ∑ k = 1 L e x p ( e t k ) \alpha_{ti}=\frac{exp(e_{ti})}{\sum^L_{k=1}exp(e_{tk})} αti​=∑k=1L​exp(etk​)exp(eti​)​

z ^ t = ϕ ( a i , α i ) \hat{z}_t=\phi({a_i},{\alpha_i}) z^t​=ϕ(ai​,αi​)

式中, α t i \alpha_{ti} αti​表示注意力权重； t t t表示时间步； i i i表示图像的区域 i i i； a i a_i ai​表示图像区域 i i i的向量表示； h t − 1 h_{t-1} ht−1​为LSTM上一个时间步的隐藏层的输出； f a t t f_{att} fatt​是注意力模型，由多层MLP实现； z ^ t \hat{z}_t z^t​表示上下文向量； ϕ \phi ϕ为一个功能函数，返回单个向量

这里需要注意力得是，前面式子中，注意力模型以多层MLP实现，这是一种叫做“additive attention”的注意力机制。这种方法可以直接看作加权平均，在形式上，给定两组向量：输入向量 { x 1 , . . . , x n } \{x_1,...,x_n\} {x1​,...,xn​}和隐向量 { h 1 , . . . , h n } \{h_1,...,h_n\} {h1​,...,hn​}，则 h i h_i hi​和 x j x_j xj​之间的附加注意力计算方式为：

f a t t ( h i , x j ) = W 3 T σ ( W 1 h i + W 2 x j ) f_{att}(h_i,x_j)=W^T_3\sigma(W_1h_i+W_2x_j) fatt​(hi​,xj​)=W3T​σ(W1​hi​+W2​xj​)
式中， σ \sigma σ表示激活函数，其代码实现如下：

class Attention(nn.Module):    """    Attention Network.    """    def __init__(self, encoder_dim, decoder_dim, attention_dim):        """        :param encoder_dim: feature size of encoded images        :param decoder_dim: size of decoder's RNN        :param attention_dim: size of the attention network        """        super(Attention, self).__init__()        self.encoder_att = nn.Linear(encoder_dim, attention_dim)  # linear layer to transform encoded image        self.decoder_att = nn.Linear(decoder_dim, attention_dim)  # linear layer to transform decoder's output        self.full_att = nn.Linear(attention_dim, 1)  # linear layer to calculate values to be softmax-ed        self.relu = nn.ReLU()        self.softmax = nn.Softmax(dim=1)  # softmax layer to calculate weights    def forward(self, encoder_out, decoder_hidden):        """        Forward propagation.        :param encoder_out: encoded images, a tensor of dimension (batch_size, num_pixels, encoder_dim)        :param decoder_hidden: previous decoder output, a tensor of dimension (batch_size, decoder_dim)        :return: attention weighted encoding, weights        """        att1 = self.encoder_att(encoder_out)  # (batch_size, num_pixels, attention_dim)        att2 = self.decoder_att(decoder_hidden)  # (batch_size, attention_dim)        att = self.full_att(self.relu(att1 + att2.unsqueeze(1))).squeeze(2)  # (batch_size, num_pixels)        alpha = self.softmax(att)  # (batch_size, num_pixels)        attention_weighted_encoding = (encoder_out * alpha.unsqueeze(2)).sum(dim=1)  # (batch_size, encoder_dim)        return attention_weighted_encoding, alpha

2.2.2 stochastic hard attention

对于随机注意力机制有：

p ( s t , i = 1 ∣ s j < t , a ) = α t , i p(s_{t,i}=1 | s_{j<t},a)=\alpha_{t,i} p(st,i​=1∣sj<t​,a)=αt,i​
z ^ t = ∑ i s t , i a i \hat{z}_t=\sum_{i}s_{t,i}a_i z^t​=∑i​st,i​ai​

式中， s t s_t st​表示在生成第 t t t个单词时，模型会集中注意力的位置变量； s t , i s_{t,i} st,i​表示一种one-hot形式，当区域 i i i用于提取视觉特征时置1，否则置0。

模型的目标函数为：

L s = ∑ s p ( s ∣ a ) l o g p ( y ∣ s , a ) L_s=\sum_sp(s|a)logp(y|s,a) Ls​=∑s​p(s∣a)logp(y∣s,a)

≤ l o g ∑ s p ( s ∣ a ) p ( y ∣ s , a ) \leq{log\sum_sp(s|a)p(y|s,a)} ≤log∑s​p(s∣a)p(y∣s,a)

= l o g p ( y ∣ a ) =logp(y|a) =logp(y∣a)

在此注意力机制下， ϕ \phi ϕ的功能就是，基于由 α \alpha α参数化的分布（伯努利）中，在每个时间点采样一个 a i a_i ai​

2.2.3 deterministic soft attention

hard attention需要在每个时间步采样 s t s_t st​，而soft attention直接使用上下文向量 z t ^ \hat{z_t} zt​^​的期望：

E p ( s t ∣ a ) [ z t ^ ] = ∑ i = 1 L α t , i a i E_{p(s_t|a)}[\hat{z_t}]=\sum^L_{i=1}\alpha_{t,i}a_i Ep(st​∣a)​[zt​^​]=∑i=1L​αt,i​ai​

接着通过对注释向量 a a a加权来确定注意力模型：

ϕ ( a i , α i ) = ∑ i L α i a i \phi({a_i},{\alpha_i})=\sum^L_i\alpha_ia_i ϕ(ai​,αi​)=∑iL​αi​ai​

这样得到的模型是平滑可微的。

下图为使用soft attention和hard attention的效果对比图：

2.3 其他深度学习网络

2.3.1 review networks

论文：Review Networks for Caption Generation

链接：https://arxiv.org/abs/1605.07912

源码：https://github.com/kimiyoung/review_net

模型结构如下所示：

模型的编码器使用的是VGG，解码器使用的是LSTM，比较特别的是，该模型定义了review结构，该结构利用注意力网络对解码器的输入与输出进行了改变。

review包括attentive input reviewer和attentive output reviewer

（1）attentive input reviewer

在每个时间步，使用注意力对隐藏层进行处理，接着用注意力的结果作为解码器中LSTM的输入。有如下公式：

f t ~ = a t t ( H , f t − 1 ) = ∑ i = 1 ∣ H ∣ α ( h i , f t − 1 ) ∑ i ′ = 1 ∣ H ∣ α ( h i ′ , f t − 1 ) h i \tilde{f_t}=att(H,f_{t-1})=\sum^{|H|}_{i=1}\frac{\alpha(h_i,f_{t-1})}{\sum^{|H|}_{i^{\prime}=1}\alpha(h_{i^{\prime}},f_{t-1})}h_i ft​~​=att(H,ft−1​)=∑i=1∣H∣​∑i′=1∣H∣​α(hi′​,ft−1​)α(hi​,ft−1​)​hi​

g t ( H , f t − 1 ) = f t ′ ( f t ~ , f ( t − 1 ) ) g_t(H,f_{t-1})=f^{\prime}_t(\tilde{f_t},f(t-1)) gt​(H,ft−1​)=ft′​(ft​~​,f(t−1))

式中， f t ~ \tilde{f_t} ft​~​表示注意力输出； α ( h i , f t − 1 ) \alpha(h_i,f_{t-1}) α(hi​,ft−1​)表示第 i i i个隐层的权重。 α ( x 1 , x 2 ) \alpha(x_1,x_2) α(x1​,x2​)可以用点积计算，也可以使用多层MLP； f t ′ f^{\prime}_t ft′​表示LSTM单元。

（2）attentive output reviewer

有如下计算公式：

f t ~ = a t t ( H , f t − 1 ) \tilde{f_t}=att(H,f_{t-1}) ft​~​=att(H,ft−1​)
g t ( H , f t − 1 ) = f t ′ ( 0 , f t − 1 ) + W f t ~ g_t(H,f_{t-1})=f^{\prime}_t(0,f_{t-1})+W\tilde{f_t} gt​(H,ft−1​)=ft′​(0,ft−1​)+Wft​~​

可以看到，与attentive input reviewer的输入不同

（3）Discriminative Supervision

在传统的编码器-解码器模型中，模型的目标是最大化生成序列的条件概率，然而，作者使用了判别性的监督方法，对目标进行预测，如上图蓝色部分所示。简单来说，作者添加了一个损失函数，这个函数有别于生成式模型的损失函数，（或者说，这个损失函数属于判别式模型）。该函数的计算公式如下：

L d = 1 Z ∑ j ∈ W ∑ i ≠ j m a x ( 0 , 1 − ( s j − s i ) ) L_d=\frac{1}{Z}\sum_{j\in{W}}\sum_{i\neq{j}}max(0,1-(s_j-s_i)) Ld​=Z1​∑j∈W​∑i=j​max(0,1−(sj​−si​))

式中， Z Z Z表示归一化因子， W W W表示出现在 y y y中所有单词的集合， y y y表示输出， s i s_i si​表示单词 i i i经过最大池化层后的得分。

模型最后的损失为负的条件对数似然与判别性损失的加权和：

L ( x , y ) = 1 T y ∑ t = 1 T y − l o g s o f t m a x y t ( S t ) + λ L d L(x,y)=\frac{1}{T_y}\sum^{T_y}_{t=1}-logsoftmax_{y_t}(S_t)+\lambda L_d L(x,y)=Ty​1​∑t=1Ty​​−logsoftmaxyt​​(St​)+λLd​
F = { f t } t F=\{f_t\}_t F={ft​}t​
S t ~ = a t t ( F , S t − 1 ) \tilde{S_t}=att(F,S_{t-1}) St​~​=att(F,St−1​)
S t = f ′ ′ ( [ S t ~ ; Y t − 1 ] , S t − 1 ) S_t=f^{\prime\prime}([\tilde{S_t};Y_{t-1}],S_{t-1}) St​=f′′([St​~​;Yt−1​],St−1​)
y t = a r g m a x y s o f t m a x y ( S t ) y_t=argmax_ysoftmax_y(S_t) yt​=argmaxy​softmaxy​(St​)

式中， T y T_y Ty​表示输出序列 y y y的长度； F F F表示reviewer输出的thought vectors向量集合； s o f t m a x y softmax_y softmaxy​表示经过softmax层后的单词 y y y的概率； y t y_t yt​表示第 t t t个解码的字符； Y t Y_t Yt​表示 y t y_t yt​的word embedding。

2.3.2 SCA-CNN

论文：SCA-CNN: Spatial and Channel-wise Attention in Convolutional Networks for Image Captioning

链接：https://arxiv.org/abs/1611.05594

源码：https://github.com/zjuchenlong/sca-cnn.cvpr17

作者认为已有的研究通常使用的是空间注意力（注意力被建模为空间概率，也就是重新加权CNN编码器的最后一个卷积层），这种注意力并不是真正的注意力机制，因此，在CNN中结合了空间和通道注意力。简单来说，作者认为之前使用的注意力不够全面，所以自己在多个不同的地方使用了注意力。

模型的计算流程如下：

V l = C N N ( X l − 1 ) V^l=CNN(X^{l-1}) Vl=CNN(Xl−1)
γ l = ϕ ( h t − 1 , V l ) \gamma^l=\phi(h_{t-1},V^l) γl=ϕ(ht−1​,Vl)
X l = f ( V l , γ l ) X^l=f(V^l,\gamma^l) Xl=f(Vl,γl)
h t = L S T M ( h t − 1 , X L , y t − 1 ) h_t=LSTM(h_{t-1},X^L,y_{t-1}) ht​=LSTM(ht−1​,XL,yt−1​)
y t ~ p t = s o f t m a x ( h t , y t − 1 ) y_t\tilde{}p_t=softmax(h_t,y_{t-1}) yt​~pt​=softmax(ht​,yt−1​)

式中， l l l表示第 l l l层网络层； γ l \gamma^l γl表示注意力权重； ϕ ( ˙ ) \phi(\dot{}) ϕ(˙)表示注意力函数； f ( ˙ ) f(\dot{}) f(˙)表示线性加权函数； L L L表示卷积层的总数。其中注意力权重 γ l \gamma^l γl由空间注意力 α l \alpha^l αl和通道级注意力 β l \beta^l βl组成：

α l = ϕ s ( h t − 1 , V l ) \alpha^l=\phi_s(h_{t-1},V^l) αl=ϕs​(ht−1​,Vl)
β l = ϕ c ( h t − 1 , V l ) \beta^l=\phi_c(h_{t-1},V^l) βl=ϕc​(ht−1​,Vl)

这篇文章的核心为spatial attention和channel wise attention。

（1）spatial attention

空间注意力，也是已有的模型使用的注意力。在已有模型中，仅对编码器最后一个卷积层的feature map使用该注意力机制。在SCA-CNN中，利用了多层卷积提取特征不同的特点，在多层上使用该注意力机制。作者认为，最后一层卷积层的输出已经是后期的输出，也就是说特征基本已经提取完毕，各个像素点之间的差异变小了，注意力机制的效果可能无法有效发挥，而前面网络层的输出，各像素点之间的差异较大，可以更好的发挥注意力机制的效果。

其计算方式为：

a = t a n h ( ( W s V + b s ) ⨁ W h s h t − 1 ) a=tanh((W_sV+b_s)\bigoplus{}W_{hs}h_{t-1}) a=tanh((Ws​V+bs​)⨁Whs​ht−1​)
α = s o f t m a x ( W i a + b i ) \alpha=softmax(W_ia+b_i) α=softmax(Wi​a+bi​)

式中， ⨁ \bigoplus{} ⨁表示矩阵与向量相加。

（2）channel wise attention

与空间注意力不同，通道级注意力作用于feature map之间，给每个channel进行加权，所以权重值为向量。作者在编码器网络中，嵌入了这两种注意力机制，并且在多个网络层上进行该操作。

其计算方式为：

b = t a n h ( ( W c ⨂ v + b c ) ⨁ W h c h t − 1 ) b=tanh((W_c\bigotimes{}v+b_c)\bigoplus{}W_{hc}h_{t-1}) b=tanh((Wc​⨂v+bc​)⨁Whc​ht−1​)
β = s o f t m a x ( W i ′ b + b i ′ ) \beta=softmax(W^{\prime}_ib+b^{\prime}_i) β=softmax(Wi′​b+bi′​)

式中， ⨂ \bigotimes{} ⨂表示向量的外积

（3）两种注意力机制的结合方式

作者给出了两种结合方式，channel-spatial和spatial-channel

channel-spatial

通道级注意力在前，空间注意力在后：

β = ϕ c ( h t − 1 , V ) \beta=\phi_c(h_{t-1},V) β=ϕc​(ht−1​,V)
α = ϕ s ( h t − 1 , f c ( V , β ) ) \alpha=\phi_s(h_{t-1},f_c(V,\beta)) α=ϕs​(ht−1​,fc​(V,β))
X = f ( V , α , β ) X=f(V,\alpha,\beta) X=f(V,α,β)

spatial-channel

空间注意力在前，通道级注意力在后：

α = ϕ s ( h t − 1 , V ) \alpha=\phi_s(h_{t-1},V) α=ϕs​(ht−1​,V)
β = ϕ c ( h t − 1 , f s ( V , α ) ) \beta=\phi_c(h_{t-1},f_s(V,\alpha)) β=ϕc​(ht−1​,fs​(V,α))
X = f ( V , α , β ) X=f(V,\alpha,\beta) X=f(V,α,β)

2.3.3 Graph encoder

（1）spatial and semantic graphs
论文：Exploring Visual Relationship for Image Captioning

链接：https://arxiv.org/abs/1809.07041

论文提出了GCN-LSTM模型，使用图卷积网络GCN整合目标之间的语义和空间关系，并将之用于图片编码。

首先使用Faster R-CNN对图像的显著区域进行提取，并构建区域语义有向图（语义图的顶点代表每个区域，边表示每对区域之间的关系）和空间有向图（空间图的顶点表述区域，边表示区域之间的位置关系），以GCN获取embedding输出，再通过带有注意力机制的双层LSTM生成对应的描述。

编码器

原始的GCN使用的是无向图，其计算方式为：

v i ( 1 ) = ρ ( ∑ v j ∈ N ( v i ) W v j + b ) v^{(1)}_i=\rho(\sum_{v_j\in{N(v_i)}}Wv_j+b) vi(1)​=ρ(∑vj​∈N(vi​)​Wvj​+b)

式中， ρ \rho ρ表示激活函数， N ( v i ) N(v_i) N(vi​)表示 v i v_i vi​的邻居节点（包括它自己）。

为了使GCN可以融合有向图，并能处理图的标签信息，作者对上式进行了修改：

v i ( 1 ) = ρ ( ∑ v j ∈ N ( v i ) W d i r ( v i , v j ) v j + b l a b ( v i , v j ) ) v^{(1)}_i=\rho(\sum_{v_j\in{N(v_i)}}W_{dir(v_i,v_j)}v_j+b_{lab(v_i,v_j)}) vi(1)​=ρ(∑vj​∈N(vi​)​Wdir(vi​,vj​)​vj​+blab(vi​,vj​)​)

式中, d i r ( v i , v j ) dir(v_i,v_j) dir(vi​,vj​)表示根据每条边的方向选择变换矩阵，如 W 1 W_1 W1​表示 v i − v j v_i-v_j vi​−vj​， W 2 W_2 W2​表示 v j − v i v_j-v_i vj​−vi​， W 3 W_3 W3​表示 v i − v i v_i-v_i vi​−vi​。 l a b ( v i , v j ) lab(v_i,v_j) lab(vi​,vj​)表示每条边的标签。并且，作者给图的每条边加上了门控：

v i ( 1 ) = ρ ( ∑ v j ∈ N ( v i ) g ( v i , v j ) ( W d i r ( v i , v j ) v j + b l a b ( v i , v j ) ) ) v^{(1)}_i=\rho(\sum_{v_j\in{N(v_i)}}g_{(v_i,v_j)}(W_{dir(v_i,v_j)}v_j+b_{lab(v_i,v_j)})) vi(1)​=ρ(∑vj​∈N(vi​)​g(vi​,vj​)​(Wdir(vi​,vj​)​vj​+blab(vi​,vj​)​))

g ( v i , v j ) = σ ( W ~ d i r ( v i , v j ) v j + b ~ l a b ( v i , v j ) ) g_{(v_i,v_j)}=\sigma(\tilde{W}_{dir(v_i,v_j)}v_j+\tilde{b}_{lab(v_i,v_j)}) g(vi​,vj​)​=σ(W~dir(vi​,vj​)​vj​+b~lab(vi​,vj​)​)

式中， g ( v i , v j ) g_{(v_i,v_j)} g(vi​,vj​)​就表示门控。

解码器

解码器使用的注意力机制+双层LSTM的结构。其中，第一层LSTM的参数更新方式为：

h t 1 = f 1 ( [ h t − 1 2 , W s w t , v ^ ] ) h^1_t=f_1([h^2_{t-1},W_sw_t,\hat{v}]) ht1​=f1​([ht−12​,Ws​wt​,v^])
v ^ = 1 K ∑ i = 1 K v i ( 1 ) \hat{v}=\frac{1}{K}\sum^K_{i=1}v^{(1)}_i v^=K1​∑i=1K​vi(1)​

式中， h t − 1 2 h^2_{t-1} ht−12​表示第二层LSTM的上一个时间步的输出， w t w_t wt​表示输入单词， W s W_s Ws​表示输入单词对应的转换矩阵， v ^ \hat{v} v^表示经过平均池化后的图像特征。接着根据输出 h t 1 h^1_t ht1​计算注意力权重：

a t , i = W a [ t a n h ( W f v i ( 1 ) + W h h t 1 ) ] a_{t,i}=W_a[tanh(W_fv_i^{(1)}+W_hh^1_t)] at,i​=Wa​[tanh(Wf​vi(1)​+Wh​ht1​)]
λ t = s o f t m a x ( a t ) \lambda_t=softmax(a_t) λt​=softmax(at​)

根据注意力得分对图像特征进行加权：

v ^ t = ∑ i = 1 K λ t , i v i ( 1 ) \hat{v}_t=\sum^K_{i=1}\lambda_{t,i}v^{(1)}_i v^t​=∑i=1K​λt,i​vi(1)​

接着合并 v ^ t \hat{v}_t v^t​和 h t 1 h^1_t ht1​，将其作为第二层LSTM的输入：

h t 2 = f 2 ( [ v ^ t , h t 1 ] ) h^2_t=f_2([\hat{v}_t,h^1_t]) ht2​=f2​([v^t​,ht1​])

最后，以 h t 2 h^2_t ht2​作为 s o f t m a x softmax softmax层的输入，预测下一个单词。

（2）hierarchical trees
论文：Hierarchy Parsing for Image Captioning

链接：https://arxiv.org/abs/1909.03918

该文主要是对编码器进行改进。将图像表示为树形的层次结构，以整体图像作为根节点，中层表示图像的区域，叶节点表示图像区域中的实例对象，接着，将图像树送入TreeLSTM获取图像编码，以提取图像的多层次特征。

接着，根据图像的层次结构，构建有向图，图的顶点为每个区域或者实例，边表示每对区域或实例之间的关系。

上图为作者提出的层次解析架构（HIP），使用Faster R-CNN检测目标区域，使用Mask R-CNN分割实例集，接着搭建三层的层次树结构，并使用Tree-LSTM自下而上执行，以增强区域和实例特征，并以LSTM实现文本的生成。图的右半部分为作者将HIP结构接入GCN-LSTM模型的示意图。

Tree-LSTM

Tree-LSTM的主要作用就是提取图像的层级特征，其结构如下：

与原始的LSTM不同，Tree-LSTM的状态更新依赖子节点的多个隐藏状态。其状态更新公式如下：

h ~ j = ∑ k ∈ C ( j ) h k \tilde{h}_j=\sum_{k\in{C(j)}}h_k h~j​=∑k∈C(j)​hk​
u j = ϕ ( W u x j + U u h ~ j + b u ) c e l l − i n p u t u_j=\phi(W_ux_j+U_u\tilde{h}_j+b_u) cell - input uj​=ϕ(Wu​xj​+Uu​h~j​+bu​)cell−input
i j = σ ( W i x j + U i h ~ j + b i ) i n p u t − g a t e i_j=\sigma(W_ix_j+U_i\tilde{h}_j+b_i) input- gate ij​=σ(Wi​xj​+Ui​h~j​+bi​)input−gate
f j k = σ ( W f x j + U f h k + b f ) f o r g e t − g a t e f_{jk}=\sigma(W_fx_j+U_fh_k+b_f)forget-gate fjk​=σ(Wf​xj​+Uf​hk​+bf​)forget−gate
o j = σ ( W o x j + U o h ~ j + b o ) o u t p u t − g a t e o_j=\sigma(W_ox_j+U_o\tilde{h}_j+b_o)output-gate oj​=σ(Wo​xj​+Uo​h~j​+bo​)output−gate
c j = u j ⨀ i j + ∑ k ∈ C ( j ) c k ⨀ f j k c e l l − s t a t e c_j=u_j\bigodot i_j+\sum_{k\in{C(j)}}c_k\bigodot f_{jk}cell-state cj​=uj​⨀ij​+∑k∈C(j)​ck​⨀fjk​cell−state
h j = ϕ ( c j ) ⨀ o j c e l l − o u t p u t h_j=\phi(c_j)\bigodot o_jcell-output hj​=ϕ(cj​)⨀oj​cell−output

式中， C ( j ) C(j) C(j)表示当前节点的子集； ⨀ \bigodot ⨀表示两个向量点积。Tree-LSTM的输入为：

r ^ = 1 K ∑ i = 1 K r i \hat{r}=\frac{1}{K}\sum^K_{i=1}r_i r^=K1​∑i=1K​ri​
m ^ = 1 K ∑ i = 1 K m i \hat{m}=\frac{1}{K}\sum^K_{i=1}m_i m^=K1​∑i=1K​mi​
I = W r r ^ + W m m ^ I=W_r\hat{r}+W_m\hat{m} I=Wr​r^+Wm​m^

式中， r i r_i ri​表示区域特征编码， m i m_i mi​表示实例特征编码

2.3.4 self-attention encoder

（1）Self-Attention

论文：Learning to Collocate Neural Modules for Image Captioning

链接：https://arxiv.org/abs/1904.08608

这篇文章的核心就是使用多个网络模块并行（CNM,Collocate Neural Modules）的方式，增强编码器的特征提取能力。不过，值得注意的是，在其中一个模块中，作者使用了多头自注意力。

模型的简要结构如下：

编码器

图中的四个模块分别为object module、attribute module、relation module和function module。

object module专注于对象类别attribute module侧重于视觉属性relation module使用了多头自注意力网络，用以学习两个对象之间的交互。其输入为Faster R-CNN提取的ROI特征function module用来生成一个功能词，如“a”和“and”

可以结合下图对上述四个模块进行理解：

解码器

解码器使用的了Controller，其结构如下：

可以看到，该结构包括三个注意力网络和一个LSTM，Controller的输出将会作为后接LSTM的输入，用以生成下一个单词。

其计算流程如下：

1）引入加性注意力机制，将三个视觉模块的输出进行加权

object att: v ^ O = A t t o b j ( V O , h ) \hat{v}_O=Att_{obj}(V_O,h) v^O​=Attobj​(VO​,h)

attribute att: v ^ A = A t t a t t r ( V A , h ) \hat{v}_A=Att_{attr}(V_A,h) v^A​=Attattr​(VA​,h)

relation att: v ^ R = A t t r e l a ( V R , h ) \hat{v}_R=Att_{rela}(V_R,h) v^R​=Attrela​(VR​,h)

式中 h h h表示当前时间步，第一个LSTM的输出。

2）计算soft weight

x = c o n c a t ( v ^ O , v ^ A , v ^ R , c ) x=concat(\hat{v}_O,\hat{v}_A,\hat{v}_R,c) x=concat(v^O​,v^A​,v^R​,c)
w = s o f t m a x ( L S T M ( x ) ) w=softmax(LSTM(x)) w=softmax(LSTM(x))
v ^ = c o n c a t ( w O v ^ O , w A v ^ A , w R v ^ R , w F v ^ F ) \hat{v}=concat(w_O\hat{v}_O,w_A\hat{v}_A,w_R\hat{v}_R,w_F\hat{v}_F) v^=concat(wO​v^O​,wA​v^A​,wR​v^R​,wF​v^F​)

式中 c c c表示第二个LSTM在 t − 1 t-1 t−1时刻的输出。

上述文章仅在视觉特征提取方面用了soft-attention的结构，并且该部分特征也只是特征工程的一部分。下面介绍一篇在解码器中使用soft-attention的文章，更确切地说，其使用Transformer的解码器代替了原有的RNN结构的解码器。

论文：Learning to Collocate Neural Modules for Image Captioning

链接：https://arxiv.org/abs/1904.08608

这篇文章的核心就是将原有的RNN结构的解码器用Transformer的解码器替代了，并定义了多级监督机制用以更好的生成当前单词。模型结构如下：

多级监督机制结构如下：

在推理阶段，使用平均池化组合每层的输出，获取单词概率。在训练阶段，使用多输出交叉熵损失：

l o g p ( S ∣ I ) = ∑ t = 0 N l o g p ( S t ∣ I , S 0 , . . . , S t − 1 , θ ) logp(S|I)=\sum^N_{t=0}logp(S_t|I,S_0,...,S_{t-1},\theta) logp(S∣I)=∑t=0N​logp(St​∣I,S0​,...,St−1​,θ)

式中， S S S表示真实句子， I I I表示图像， θ \theta θ表示模型参数。

（2）Attention on Attention

论文：Attention on Attention for Image Captioning

链接：https://arxiv.org/abs/1908.06954

源码：https://github.com/husthuaan/AoANet

这篇文章主要是对注意力机制的改进，作者提出了“attention on attention”的方法，该方法通过计算注意力的结果与输入query的相关性来对信息进行过滤，作者最后将该方法运用在编码器和解码器中。

可以看到，AOA中 I I I表示“information vector”， G G G表示“attention gate”，最后通过逐元素乘法添加另一个注意力。

i = W q i q + W v i v ^ + b i i=W^i_qq+W^i_v\hat{v}+b^i i=Wqi​q+Wvi​v^+bi
g = σ ( W q g q + W v g v ^ + b q ) g=\sigma(W^g_qq+W^g_v\hat{v}+b^q) g=σ(Wqg​q+Wvg​v^+bq)
v ^ = f a t t ( Q , K , V ) \hat{v}=f_{att}(Q,K,V) v^=fatt​(Q,K,V)

将“attention gate”应用于“information vector”：

i ^ = g ⨀ i \hat{i}=g\bigodot{}i i^=g⨀i

式中， ⨀ \bigodot ⨀表示逐元素相乘。作者将这认为是一种注意力，感觉应该是种加性注意力吧。最后，AOA的计算方式如下：

A O A ( f a t t , Q , K , V ) = σ ( W q g Q + W v g f a t t ( Q , K , V ) + b g ) ⨀ ( W q i Q + W v i f a t t ( Q , K , V ) + b i ) AOA(f_{att},Q,K,V)=\sigma(W^g_qQ+W^g_vf_{att}(Q,K,V)+b^g)\bigodot{}(W^i_qQ+W^i_vf_{att}(Q,K,V)+b^i) AOA(fatt​,Q,K,V)=σ(Wqg​Q+Wvg​fatt​(Q,K,V)+bg)⨀(Wqi​Q+Wvi​fatt​(Q,K,V)+bi)

作者在实现AOA的时候也是相对比较简单：

#定义 if self.use_aoa:    self.aoa_layer =  nn.Sequential(nn.Linear((1 + scale) * d_model, 2 * d_model), nn.GLU())    # dropout to the input of AoA layer    if dropout_aoa > 0:        self.dropout_aoa = nn.Dropout(p=dropout_aoa)    else:        self.dropout_aoa = lambda x:xif self.use_aoa:    # Apply AoA    x = self.aoa_layer(self.dropout_aoa(torch.cat([x, query], -1)))

编码器

编码器结构如下：

图中 A A A和 A ′ A^{\prime} A′的计算方式如下：

A ′ = L N ( A + A O A E ( f m h − a t t , W Q e A , W K e A , W V e A ) ) A^{\prime}=LN(A+AOA^E(f_{mh-att},W^{Q_e}A,W^{K_e}A,W^{V_e}A)) A′=LN(A+AOAE(fmh−att​,WQe​A,WKe​A,WVe​A))

式中， f m h − a t t ( ˙ ) f_{mh-att}(\dot{}) fmh−att​(˙)就是多头自注意力机制的计算方式，这里就不再进行赘述； A A A表示CNN输出的图像特征。

可以看到，相比于原始Transformer结构，该编码器增加了AOA结构，并且去掉了前馈网络层，之所以去掉该层作者给出了两个原因：

原始结构的前馈网络层是为了增加非线性信息，而本文提出的结构AOA已经满足了这个要求删除前馈网络层并不会影响模型的效果，而且简化了模型的结构

代码实现为：

class AoA_Refiner_Layer(nn.Module):    def __init__(self, size, self_attn, feed_forward, dropout):        super(AoA_Refiner_Layer, self).__init__()        self.self_attn = self_attn        self.feed_forward = feed_forward        self.use_ff = 0        if self.feed_forward is not None:            self.use_ff = 1        self.sublayer = clones(SublayerConnection(size, dropout), 1+self.use_ff)        self.size = size    def forward(self, x, mask):        x = self.sublayer[0](x, lambda x: self.self_attn(x, x, x, mask))        return self.sublayer[-1](x, self.feed_forward) if self.use_ff else xclass AoA_Refiner_Core(nn.Module):    def __init__(self, opt):        super(AoA_Refiner_Core, self).__init__()        attn = MultiHeadedDotAttention(opt.num_heads, opt.rnn_size, project_k_v=1, scale=opt.multi_head_scale, do_aoa=opt.refine_aoa, norm_q=0, dropout_aoa=getattr(opt, 'dropout_aoa', 0.3))        layer = AoA_Refiner_Layer(opt.rnn_size, attn, PositionwiseFeedForward(opt.rnn_size, 2048, 0.1) if opt.use_ff else None, 0.1)        self.layers = clones(layer, 6)        self.norm = LayerNorm(layer.size)            def forward(self, x, mask):        for layer in self.layers:            x = layer(x, mask)        return self.norm(x)

解码器

解码器的结构如下：

作者对上下文向量 c t c_t ct​建模，计算词语的条件概率：

p ( y t ∣ y 1 ~ t − 1 , I ) = s o f t m a x ( W p c t ) p(y_t|y_{1\tilde{}t-1},I)=softmax(W_pc_t) p(yt​∣y1~t−1​,I)=softmax(Wp​ct​)

c t c_t ct​保存着解码状态和新获取的信息，由编码器输出的 a ^ t \hat{a}_t a^t​和LSTM输出的 h t h_t ht​生成。LSTM的输入为输入单词的向量表征、上下文向量和编码暗器的输出：

x t = [ W e ∏ t , a ^ + c t − 1 ] x_t=[W_e\prod_t,\hat{a}+c_{t-1}] xt​=[We​∏t​,a^+ct−1​]
a ^ = 1 k ∑ i a i \hat{a}=\frac{1}{k}\sum_ia_i a^=k1​∑i​ai​
h t , m t = L S T M ( x t , h t − 1 , m t − 1 ) h_t,m_t=LSTM(x_t,h_{t-1},m_{t-1}) ht​,mt​=LSTM(xt​,ht−1​,mt−1​)
c t = A O A D ( f m h − a t t , W Q d [ h t ] , W K d A , W V d A ) c_t=AOA^D(f_{mh-att},W^{Q_d}[h_t],W^{K_d}A,W^{V_d}A) ct​=AOAD(fmh−att​,WQd​[ht​],WKd​A,WVd​A)

式中， ∏ t \prod_t ∏t​在时间步 t t t下，输入单词的One-hot编码。

代码实现如下：

class AoA_Decoder_Core(nn.Module):    def __init__(self, opt):        super(AoA_Decoder_Core, self).__init__()        self.drop_prob_lm = opt.drop_prob_lm        self.d_model = opt.rnn_size        self.use_multi_head = opt.use_multi_head        self.multi_head_scale = opt.multi_head_scale        self.use_ctx_drop = getattr(opt, 'ctx_drop', 0)        self.out_res = getattr(opt, 'out_res', 0)        self.decoder_type = getattr(opt, 'decoder_type', 'AoA')        self.att_lstm = nn.LSTMCell(opt.input_encoding_size + opt.rnn_size, opt.rnn_size) # we, fc, h^2_t-1        self.out_drop = nn.Dropout(self.drop_prob_lm)        if self.decoder_type == 'AoA':            # AoA layer            self.att2ctx = nn.Sequential(nn.Linear(self.d_model * opt.multi_head_scale + opt.rnn_size, 2 * opt.rnn_size), nn.GLU())        elif self.decoder_type == 'LSTM':            # LSTM layer            self.att2ctx = nn.LSTMCell(self.d_model * opt.multi_head_scale + opt.rnn_size, opt.rnn_size)        else:            # Base linear layer            self.att2ctx = nn.Sequential(nn.Linear(self.d_model * opt.multi_head_scale + opt.rnn_size, opt.rnn_size), nn.ReLU())        # if opt.use_multi_head == 1: # TODO, not implemented for now                   #     self.attention = MultiHeadedAddAttention(opt.num_heads, opt.d_model, scale=opt.multi_head_scale)        if opt.use_multi_head == 2:                        self.attention = MultiHeadedDotAttention(opt.num_heads, opt.rnn_size, project_k_v=0, scale=opt.multi_head_scale, use_output_layer=0, do_aoa=0, norm_q=1)        else:                        self.attention = Attention(opt)        if self.use_ctx_drop:            self.ctx_drop = nn.Dropout(self.drop_prob_lm)                else:            self.ctx_drop = lambda x :x    def forward(self, xt, mean_feats, att_feats, p_att_feats, state, att_masks=None):        # state[0][1] is the context vector at the last step        h_att, c_att = self.att_lstm(torch.cat([xt, mean_feats + self.ctx_drop(state[0][1])], 1), (state[0][0], state[1][0]))        if self.use_multi_head == 2:            att = self.attention(h_att, p_att_feats.narrow(2, 0, self.multi_head_scale * self.d_model), p_att_feats.narrow(2, self.multi_head_scale * self.d_model, self.multi_head_scale * self.d_model), att_masks)        else:            att = self.attention(h_att, att_feats, p_att_feats, att_masks)        ctx_input = torch.cat([att, h_att], 1)        if self.decoder_type == 'LSTM':            output, c_logic = self.att2ctx(ctx_input, (state[0][1], state[1][1]))            state = (torch.stack((h_att, output)), torch.stack((c_att, c_logic)))        else:            output = self.att2ctx(ctx_input)            # save the context vector to state[0][1]            state = (torch.stack((h_att, output)), torch.stack((c_att, state[1][1])))        if self.out_res:            # add residual connection            output = output + h_att        output = self.out_drop(output)        return output, state

（3）Geometry-Aware Self-Attention

论文：Captioning Transformer with Stacked Attention Modules

链接：https://www.mdpi.com/2076-3417/8/5/739

在这篇文章中，作者提出了“归一化的自注意力（NSA）”和“Geometry-aware self-attention（GSA）”。简单来说，作者有两个创新点，一是自定义了一种归一化的方法用以代替layer normalization（LN），并提出了一种适用于图像的位置信息表示方法，将该方法用于自注意力机制中。

self-attention network(SAN)

注意力网络用于图像描述的一般范式如下：

一般模型会遵循Transformer的结构，使用编码器对图像编码，使用解码器生成文本。作者的模型整体结构与SAN相似，不过其在归一化和位置信息上做了改变。

NSA

原始的soft-attention的计算方式为：

S = s o f t m a x ( Q K T ) = s o f t m a x ( ( X W Q ) ˙ ( W K T X T ) ) S=softmax(QK^T)=softmax((XW_Q)\dot{}(W^T_KX^T)) S=softmax(QKT)=softmax((XWQ​)˙(WKT​XT))

作者给出的计算方式为：

S = s o f t m a x ( F ( Q , Θ ) ) S=softmax(F(Q,\Theta)) S=softmax(F(Q,Θ))
Q = X W Q , Θ = K T = W K T X T Q=XW_Q,\Theta=K^T=W^T_KX^T Q=XWQ​,Θ=KT=WKT​XT

可以看到，作者以一个全连接层代替了原有的矩阵乘积的方式。

GSA

针对图像区域的特点，引入区域的位置信息，其表示方式如下：

f i j g = ( l o g ( ∣ x i − x j ∣ w i ) , l o g ( ∣ y i − y j ∣ h i ) , l o g ( w i w j ) , l o g ( h i h j ) ) T f^g_{ij}=(log(\frac{|x_i-x_j|}{w_i}),log(\frac{|y_i-y_j|}{h_i}),log(\frac{w_i}{w_j}),log(\frac{h_i}{h_j}))^T fijg​=(log(wi​∣xi​−xj​∣​),log(hi​∣yi​−yj​∣​),log(wj​wi​​),log(hj​hi​​))T

式中， ( x i , y i ) (x_i,y_i) (xi​,yi​)表示图像区域中心坐标； w i w_i wi​表示区域的宽； h i h_i hi​表示区域的高。

接着使用全连接层将 f i j g f^g_{ij} fijg​映射到高维向量表征：

G i j = R e L U ( F C ( f i j g ) ) G_{ij}=ReLU(FC(f^g_{ij})) Gij​=ReLU(FC(fijg​))

将 G i j G_{ij} Gij​的信息加入到注意力得分中：

E = Q K T + ϕ ( Q ′ , K ′ , G ) E=QK^T+\phi(Q^{\prime},K^{\prime},G) E=QKT+ϕ(Q′,K′,G)

式中， ϕ \phi ϕ表示几何注意力函数； Q ′ , K ′ Q^{\prime},K^{\prime} Q′,K′是几何注意力机制的查询和键，其计算方式与自注意力一致。对于 ϕ \phi ϕ有三种选择：

Content-independent: ϕ i j 1 = R e L U ( w g T G i j ) \phi^1_{ij}=ReLU(w^T_gG_{ij}) ϕij1​=ReLU(wgT​Gij​)Query-dependent: ϕ i j 2 = ( Q i ′ ) T G i j \phi^2_{ij}=(Q^{\prime}_i)^TG_{ij} ϕij2​=(Qi′​)TGij​Key-dependent: ϕ i j 3 = ( K j ′ ) G i j \phi^3_{ij}=(K^{\prime}_j)G_{ij} ϕij3​=(Kj′​)Gij​

作者在实验时，NSA并未用于解码器中，因为解码器是自回归模型，其长度可变的性质不适合 I N IN IN。

3 基于预训练模型的image caption方法

3.1 VLP

论文：Unified Vision-Language Pre-Training for Image Captioning and VQA

链接：https://arxiv.org/abs/1909.11059

源码：https://github.com/LuoweiZhou/VLP

该文章提出的模型既可以完成生成式任务，又可以完成理解式任务，并且使用共享的多层Transformer层进行编码和解码。VLP在大量的图文对上进行预训练，训练任务为“image caption”和“visual question answer”。模型的训练方式如下图所示：

可以看到，在预训练阶段，图像信息在文本信息的前面。

模型的结构如下图所示：

可以看到模型的输入为：region embedding、word embedding和三个特殊toekn。

图文embedding编码合并的代码实现：

if vis_input:    words_embeddings = torch.cat((words_embeddings[:, :1], vis_feats,        words_embeddings[:, len_vis_input+1:]), dim=1)    assert len_vis_input == 100, 'only support region attn!'    position_embeddings = torch.cat((position_embeddings[:, :1], vis_pe,        position_embeddings[:, len_vis_input+1:]), dim=1) # hacky...

模型的结构与BERT一致，都是12层的Transformer层，不同之处就是输入和训练任务了。

3.2 BLIP

论文：BLIP: Bootstrapping Language-Image Pre-training for Unified Vision-Language Understanding and Generation

链接：https://arxiv.org/abs/2201.12086

源码：https://github.com/salesforce/BLIP

作者分析了已有的模型在模型结构和数据来源的不足，做出了两个贡献。1）提出了一种编码器-解码器的多模式混合结构，可以有效的进行多任务的预训练和迁移学习；2）提出了一种bootstrapping方法，用以处理数据集，这是一种数据增强的方法。BLIP在零样本或小样本学习上表现十分不错。

（1）模型方面

BLIP模型结构如下：

图中，相同颜色模块具有相同的参数。可以看到，模型可以分为三个板块，其中ITC表示“image-text contrative”，用来对齐视觉和语言表示；ITM表示“image-text matching”，使用交叉注意力层来模拟图文信息交互，来区分正负图像-文本对；LM表示“language model”，用causal注意力代替双向注意力机制，并且与编码器共享参数，用来生成图片描述。作者将这种结构称作MED(multimodal mixture of encoder-decoder)。

模型可以运行符合unimodal encoder、image-grounded text encoder和image-grounded text decoder三种形式的任务。

unimodal encoder

图像和文本编码，文本编码器与BERT一致，字符“[CLS]”用作文本编码表示。

代码实现如下：

image_embeds = self.visual_encoder(image) image_atts = torch.ones(image_embeds.size()[:-1],dtype=torch.long).to(image.device)        image_feat = F.normalize(self.vision_proj(image_embeds[:,0,:]),dim=-1)          text = self.tokenizer(caption, padding='max_length', truncation=True, max_length=30,                     return_tensors="pt").to(image.device)  text_output = self.text_encoder(text.input_ids, attention_mask = text.attention_mask,                                                    return_dict = True, mode = 'text')            text_feat = F.normalize(self.text_proj(text_output.last_hidden_state[:,0,:]),dim=-1)                 # get momentum featureswith torch.no_grad():  self._momentum_update()  image_embeds_m = self.visual_encoder_m(image)   image_feat_m = F.normalize(self.vision_proj_m(image_embeds_m[:,0,:]),dim=-1)    image_feat_all = torch.cat([image_feat_m.t(),self.image_queue.clone().detach()],dim=1)                     text_output_m = self.text_encoder_m(text.input_ids, attention_mask = text.attention_mask,                                                            return_dict = True, mode = 'text')      text_feat_m = F.normalize(self.text_proj_m(text_output_m.last_hidden_state[:,0,:]),dim=-1)   text_feat_all = torch.cat([text_feat_m.t(),self.text_queue.clone().detach()],dim=1)  sim_i2t_m = image_feat_m @ text_feat_all / self.temp    sim_t2i_m = text_feat_m @ image_feat_all / self.temp   sim_targets = torch.zeros(sim_i2t_m.size()).to(image.device)  sim_targets.fill_diagonal_(1)            sim_i2t_targets = alpha * F.softmax(sim_i2t_m, dim=1) + (1 - alpha) * sim_targets  sim_t2i_targets = alpha * F.softmax(sim_t2i_m, dim=1) + (1 - alpha) * sim_targets        sim_i2t = image_feat @ text_feat_all / self.tempsim_t2i = text_feat @ image_feat_all / self.temploss_i2t = -torch.sum(F.log_softmax(sim_i2t, dim=1)*sim_i2t_targets,dim=1).mean()loss_t2i = -torch.sum(F.log_softmax(sim_t2i, dim=1)*sim_t2i_targets,dim=1).mean() loss_ita = (loss_i2t+loss_t2i)/2

image-grounded text encoder

在双向自注意力和前馈网络层之间插入了交叉注意力，用作图文特征的交互。并定义了特殊字符“[Encode]”，放置在文本开头，用作多模态表示。

代码实现如下：

encoder_input_ids = text.input_ids.clone()encoder_input_ids[:,0] = self.tokenizer.enc_token_id# forward the positve image-text pairbs = image.size(0)output_pos = self.text_encoder(encoder_input_ids,                               attention_mask = text.attention_mask,                               encoder_hidden_states = image_embeds,                               encoder_attention_mask = image_atts,                                     return_dict = True,                              )            with torch.no_grad():           weights_t2i = F.softmax(sim_t2i[:,:bs],dim=1)+1e-4     weights_t2i.fill_diagonal_(0)                weights_i2t = F.softmax(sim_i2t[:,:bs],dim=1)+1e-4      weights_i2t.fill_diagonal_(0)   # select a negative image for each textimage_embeds_neg = []    for b in range(bs):    neg_idx = torch.multinomial(weights_t2i[b], 1).item()    image_embeds_neg.append(image_embeds[neg_idx])image_embeds_neg = torch.stack(image_embeds_neg,dim=0)   # select a negative text for each imagetext_ids_neg = []text_atts_neg = []for b in range(bs):    neg_idx = torch.multinomial(weights_i2t[b], 1).item()    text_ids_neg.append(encoder_input_ids[neg_idx])    text_atts_neg.append(text.attention_mask[neg_idx])text_ids_neg = torch.stack(text_ids_neg,dim=0)   text_atts_neg = torch.stack(text_atts_neg,dim=0)      text_ids_all = torch.cat([encoder_input_ids, text_ids_neg],dim=0)     text_atts_all = torch.cat([text.attention_mask, text_atts_neg],dim=0)     image_embeds_all = torch.cat([image_embeds_neg,image_embeds],dim=0)image_atts_all = torch.cat([image_atts,image_atts],dim=0)output_neg = self.text_encoder(text_ids_all,                               attention_mask = text_atts_all,                               encoder_hidden_states = image_embeds_all,                               encoder_attention_mask = image_atts_all,                                     return_dict = True,                              )                            vl_embeddings = torch.cat([output_pos.last_hidden_state[:,0,:], output_neg.last_hidden_state[:,0,:]],dim=0)vl_output = self.itm_head(vl_embeddings)            itm_labels = torch.cat([torch.ones(bs,dtype=torch.long),torch.zeros(2*bs,dtype=torch.long)],                       dim=0).to(image.device)loss_itm = F.cross_entropy(vl_output, itm_labels) 

image-grounded text decoder

用因果自注意力层替换双向自注意力层，增加了特殊字符“[Decode]”，用于表示序列的开始，序列结束标记依旧用“end”表示。

代码实现如下：

decoder_input_ids = text.input_ids.clone()      decoder_input_ids[:,0] = self.tokenizer.bos_token_iddecoder_targets = decoder_input_ids.masked_fill(decoder_input_ids == self.tokenizer.pad_token_id, -100) decoder_output = self.text_decoder(decoder_input_ids,                                    attention_mask = text.attention_mask,                                    encoder_hidden_states = image_embeds,                                   encoder_attention_mask = image_atts,                                                     labels = decoder_targets,                                   return_dict = True,                                     )   loss_lm = decoder_output.loss  

最后，作者结合上述三个模块实现整体的MED结构。

其交叉注意力和因果注意力的实现代码为：

  if is_cross_attention:      key_layer = self.transpose_for_scores(self.key(encoder_hidden_states))      value_layer = self.transpose_for_scores(self.value(encoder_hidden_states))      attention_mask = encoder_attention_mask  elif past_key_value is not None:      key_layer = self.transpose_for_scores(self.key(hidden_states))      value_layer = self.transpose_for_scores(self.value(hidden_states))      key_layer = torch.cat([past_key_value[0], key_layer], dim=2)      value_layer = torch.cat([past_key_value[1], value_layer], dim=2)  else:      key_layer = self.transpose_for_scores(self.key(hidden_states))      value_layer = self.transpose_for_scores(self.value(hidden_states))

其中，past_key_value部分就是因果注意力的实现，单说注意力部分，作者通过对key和value的不同定义，来实现交叉注意力和因果注意力。在交叉注意力中，key和value使用来自编码器的输出，在其他注意力中使用来自文本的hidden states。

编码器部分，图片使用的是VIT模型，文本使用的是BERT：

self.visual_encoder, vision_width = create_vit(vit,image_size, vit_grad_ckpt, vit_ckpt_layer)self.text_encoder = BertModel(config=med_config, add_pooling_layer=False)  

（2）数据方面

数据的处理流程如下图所示：

针对网络上的劣质文本数据，作者使用模型生成图片对应的文本描述，并使用过滤器过滤噪声数据，合并两者的结果，形成高质量的图片-文本数据对。

BLIP模型预训练和数据增强的原理如下：

数据处理部分主要有两个模块，captioning（用于生成给定图像的文字描述）和filtering（用于去除噪声图像文本对），两者均以MED进行初始化，并在数据集COCO上微调。最后合并两者的数据集，以新的数据集预训练一个新的模型。

3.3 OFA

论文：OFA: Unifying Architectures, Tasks, and Modalities Through a Simple Sequence-to-Sequence Learning Frameworkon

链接：https://arxiv.org/abs/2202.03052

源码：https://github.com/OFA-Sys/OFA

OFA是阿里巴巴提出的模型，寓意“one for all”，模型统一了多种视觉和语言，理解和生成任务。其预训练任务如下图所示：

大致包括区域检测、区域字幕、图文匹配、图像字幕、视觉问答、目标检测、图像填充和文本填充。（部分任务名称描述可能不够专业，因为没做过多了解）

模型使用encoder-decoder的架构，并依旧以Transformer为基础实现。由于论文大部分内容展示的是实验，所以可展开的内容较少。

实验

终于到了令人激动的实验环节。本文实验不对模型进行微调，仅展示模型BLIP和OFA的使用方法。

1 BLIP

代码如下：

import requestsfrom PIL import Imagefrom transformers import BlipProcessor, BlipForConditionalGenerationprocessor = BlipProcessor.from_pretrained("Salesforce/blip-image-captioning-base")model = BlipForConditionalGeneration.from_pretrained("Salesforce/blip-image-captioning-base").to("cuda")# img_url = 'https://storage.googleapis.com/sfr-vision-language-research/BLIP/demo.jpg' img_url = 'https://ww4.sinaimg.cn/thumb150/006ymYXKgy1gahftdd597j31o00u079k.jpg'raw_image = Image.open(requests.get(img_url, stream=True).raw).convert('RGB')# conditional image captioningtext = "a photography of"inputs = processor(raw_image, text, return_tensors="pt").to("cuda")out = model.generate(**inputs)print(processor.decode(out[0], skip_special_tokens=True))# unconditional image captioning# inputs = processor(raw_image, return_tensors="pt").to("cuda")# out = model.generate(**inputs)# print(processor.decode(out[0], skip_special_tokens=True))

零样本下的结果：

2 OFA

代码如下：

!git clone --single-branch --branch feature/add_transformers https://github.com/OFA-Sys/OFA.git!pip install OFA/transformers/!git clone https://huggingface.co/OFA-Sys/OFA-tinyfrom PIL import Imagefrom torchvision import transformsfrom transformers import OFATokenizer, OFAModelfrom transformers.models.ofa.generate import sequence_generatorimport requestsimport torchmean, std = [0.5, 0.5, 0.5], [0.5, 0.5, 0.5]resolution = 480patch_resize_transform = transforms.Compose([        lambda image: image.convert("RGB"),        transforms.Resize((resolution, resolution), interpolation=Image.BICUBIC),        transforms.ToTensor(),         transforms.Normalize(mean=mean, std=std)    ])ckpt_dir="OFA-Sys/ofa-large-caption"tokenizer = OFATokenizer.from_pretrained(ckpt_dir)txt = " what does the image describe?"inputs = tokenizer([txt], return_tensors="pt").input_idsurl='https://ww4.sinaimg.cn/thumb150/006ymYXKgy1gahftdd597j31o00u079k.jpg'img=Image.open(requests.get(url,stream=True).raw)print(img)patch_img = patch_resize_transform(img).unsqueeze(0)# using the generator of fairseq versionmodel = OFAModel.from_pretrained(ckpt_dir, use_cache=True)generator = sequence_generator.SequenceGenerator(                    tokenizer=tokenizer,                    beam_size=5,                    max_len_b=16,                     min_len=0,                    no_repeat_ngram_size=3,                )data = {}data["net_input"] = {"input_ids": inputs, 'patch_images': patch_img, 'patch_masks':torch.tensor([True])}gen_output = generator.generate([model], data)gen = [gen_output[i][0]["tokens"] for i in range(len(gen_output))]# using the generator of huggingface versionmodel = OFAModel.from_pretrained(ckpt_dir, use_cache=False)gen = model.generate(inputs, patch_images=patch_img, num_beams=5, no_repeat_ngram_size=3) print(tokenizer.batch_decode(gen, skip_special_tokens=True))

零样本下的结果：

对比两个模型生成的描述：

BLIP: a photography of a boy in a red vest

OFA: a boy with glasses standing next to a man

根据两个模型的结果，我们也不能说谁好谁坏，在我看来，将两者的结果结合可能才是最佳的。

同时，可以发现BLIP和OFA还是有较大差别的，单从这一个例子可以看出，BLIP可以对图像中的视觉信息进行更好的描述（如红色衣服），OFA更注重对图片中的实例信息的描述（如描述了两个人之间的位置关系，描述了戴着眼镜）。换言之，BLIP对视觉特征的提取更好，OFA对实例特征的提取更好。当然，这也与模型的训练数据有关。想进一步了解的同学，可以使用更多的数据集进行对比。

总结

本文围绕image caption，以论文介绍的形式，说明了如何实现image caption。从传统方法、深度学习方法和基于预训练模型的方法，三个方面对已有的研究方法进行了说明。其中传统方法包括：基于模板和基于检索的方法。深度学习方法包括：第一篇论文NIC方法、基于注意力机制的方法、基于图神经的方法、基于自注意力的方法以及其他深度学习方法。基于预训练模型的方法包括：VLP、BLIP和OFA。在介绍完已有方法后，对BLIP和OFA进行了零样本实验。

根据上述方法，可以将其创新点概括为以下几个方面：

编码器

使用多种网络提取多方面的视觉特征图像层次特征的提取

解码器

引入注意力机制注意力机制的结构二维位置信息提取

预训练模型

如何实现多模态交互

本文的不足之处：未对基于对抗网络的方法进行介绍，未对基于强化学习的方法进行介绍，未对代码进行讲解等等。

---

【参考文章】

1、chrome-extension://bocbaocobfecmglnmeaeppambideimao/pdf/viewer.html?file=http%3A%2F%2Fwww.nlpir.org%2Fwordpress%2Fwp-content%2Fuploads%2F2021%2F10%2FImage_Caption.pdf

2、https://aitechtogether.com/article/12841.html

3、http://html.rhhz.net/tis/html/201910039.htm

4、https://zhuanlan.zhihu.com/p/358127578

5、https://www.yanxishe.com/blogDetail/28479