机器不学习：CNN-RNN，二神合体，威力无穷

1. CNN+RNN

相同点

• 都是传统神经网络的扩展；

• 前向计算产生结果，反向计算进行模型的更新；

• 每层神经网络横向可以多个神经元共存，纵向可以有多层神经网络连接。

不同点

• CNN进行空间扩展，神经元与特征卷积；RNN进行时间扩展，神经元与多个时间输出计算；

• RNN可以用于描述时间上连续状态的输出，有记忆功能；CNN则用于静态输出；

• CNN高级结构可以达到100+深度；RNN的深度有限。

组合的意义

• 大量信息同时具有时间空间特性：视频，图文结合，真实的场景对话；

• 带有图像的对话，文本表达更具体；

• 视频相对图片描述的内容更完整。

组合方式

• CNN特征提取，用于RNN语句生成->图片标注

  

• RNN特征提取用于CNN内容分类->视频分类

  

• CNN特征提取用于对话问答->图片问答

  

组合方式实现

• 特征提取：

  LSTM输出（考虑不同时间研究对象的特征），FC层输出。

• 特征合并

  Concatenate层（合并在一起形成更长的向量），Attention相乘（某些区域加强，某些区域削弱）。

• 结果输出

  连续语句输出LSTM，组合分类回归DNN。

2. 图片标注

问题描述

拥有大量图片及其标注信息，能够通过学习建立一个能够自动图片标注的模型？

基本思路

• 目标是产生标注语句，是一个语句生成的任务，根本上来说是一个RNN的任务，使用LSTM。

• 描述的对象是大量的图像信息，进行图像信息的表达，使用CNN。

• CNN网络中全连接层利用特征进行图片的描述，特征与LSTM输入进行结合。

模型设计

1. 整体结构

2. 特征提取

• 图片特征：CNN全连接层提取；

• 语言特征：Word2Vec。

3. 数据准备

• 图片CNN特征提取；

• 图片标注生成Word2Vec向量；

• 生成训练数据：图片特征+第n个单词向量->第n+1个单词向量。

4. 模型训练

• 运用迁移学习进行模型构建和训练，用于CNN特征，语句特征应用已有的模型；

• 最终的输出模型是LSTM，训练过程的参数：设定梯度上限（gradient clipping）用于防止梯度爆炸、学习率调整（adaptive learning）

5. 模型运行

• CNN进行特征提取；

• CNN特征+语句的开头，单词逐个预测；

  

图片标注升级-详细标注

DenseCap，主要基于Faster R-CNN

3. 视频行为识别

常用方法

• CNN特征简单组合

  

• 3D版本CNN

  

RNN+CNN

• RNN用于CNN特征融合

• CNN进行特征提取；

• LSTM判断；

• 多次识别结果进行分析。

  

• CNN进行特征提取；

• LSTM融合；

• Linear regr + Softmax分类。

  

• RNN用于CNN特征筛选+融合

• 并不是所有的视频图像包含确定分类信息；

• RNN用于确定哪些frame是有用的；

• 对有用的图像特征融合；

  

• RNN用于目标检测

• CNN直接产生目标候选区；

• LSTM对产生候选区进行融合（相邻时刻位置近似）；

• 确定最终的精确位置。

  

4. 图片/视频问答

给定一张图片，提出图片内容相关问题，问答模型给出答案。

问题的种类

方法流程

• 按照语言问答路程解决；

• 图片特征同语言特征融合；

• 训练数据：问题+图片->答案

  

模型设计

纯文字问答系统

• 背景故事生成（word embedding）

• 问题特征生成；

• 背景，问题特征融合；

• 标准答案回归。

图片问答系统

• 基本模型

• 背景故事特征生成-CNN；

• 问题特征生成；

• 背景，问题特征融合；

• 标准答案回归。

• 模型优化1

• 对图片特征向量进一步处理，建立CNN特征的fisher特征；

• 提高特征表达的效率，更容易同encoding特征组合。

• 模型优化2

• 用问题作为“候选区域”对原始CNN特征图局部识别。

• 模型优化3

• 注意力图对图片问答进行帮助；

• 根据问题产生第一次注意力图；

• 然后产生最终的注意力图；