|
基于深度學習生成自己的圖像問答模型 VQA 是什么？：Visual Question Answering 我們可以這樣定義:“視覺問答(VQA)是一種系統，它將圖像和自然語言問題作為輸入， 并生成自然語言答案作為輸出。” 就和下面這張圖片類似：輸入這張圖片和問題，我們期望的答案或許是 black and banana。 VQA 的應用：盲人的視覺問答，搜索引擎（不單單是以圖搜圖或者以文字搜信息，而是結合 圖+問題，搜索出答案），智能駕駛領域，醫療問答等領域。 VQA 的框架：視覺問題回答可以分為兩個部分，即圖像和文本。使用卷積神經網絡(用于圖像數據)和循環神經網絡(用于文本數據)來表示神經網絡方法來解決這個問題。主要思想是從 CNN 得到圖像的特征，從 RNN 得到文本的特征，最后將它們組合起來，通過一些完全連接的層來生成答案。 編輯 搜圖 （這是從 VQA 經典論文中截取的圖片，雖然模型不完全一致，但思路是一樣的） （Image Source: [url=]https://arxiv.org/pdf/1505.00468.pdf[/url]） 本文將介紹一下基于深度學習的easy-VQA數據集和訓練預測過程。 1. 基于簡單圖形生成 easy-VQA 數據集 總共考慮了三種圖形：圓形 (circle)，矩形 (rectangle) 和三角形 (triangle) 和八種顏色，將它們兩兩組合，在 64 ∗ 64 的畫布范圍內，隨機生成不同大小，不同顏色的圖形；由于生成圖像時，可以根據該圖像的特征生成特定的問題，基于這種思路，我設計了若干關于圖形和顏色的問題： 生成的數據集大約有 5k 張圖片 50k 個問題，答案分類有 13 種：分別是 yes/or 問題，顏色問題和圖形問題。 YES/NO: Yes, No Shapess: Circle, Rectangle, Triangle Colors: Red, Green, Blue, Black, Gray, Teal, Brown, Yellow 2. 在 easy-VQA 上實現圖像問答架構 首先輸入的圖像是64∗64的，對圖像進行若干次卷積核池化操作，可以生成固定長度的向量，這里設置為4096維。samepadding進行填充之后，對該圖片使用3∗3的卷積核進行卷積，得到64∗64∗8；然后經過一層最大池化maxpooling得到32∗32∗8;經過另外一層有16個卷積核的卷積和池化過程，最后將圖片的特征表示轉化成 4096 維的固定長度的向量。 圖 3 2: 圖像處理模型 鑒于easy-VQA的實驗性質，對于它的圖片和問題的設計都比較簡單，問題來自一組固定的模板，為了訓練時間和demo性質的考慮，對于問題的處理，首先使用詞袋模型BOW將每個單詞轉化成一個向量。BOW表示通過計算每個單詞在文本中出現的次數，將任何文本字符串轉換為固定長度的向量。然后將這些向量輸入全連接的前饋神經網絡fully-connected(FC)，最終得到問題特征的向量表示。 最后將圖片特征向量和問題特征向量拼接起來，通過 softmax 分類，在由13 種答案組成的答案候選集中選擇概率最高的答案作為輸出。在驗證集上的可以達到不錯的準確率。 編輯 搜圖 可以看到訓練的效果還是不錯的：損失率逐漸下降，準確率逐漸上升；同時模型也并沒有過擬合，訓練和驗證的損失率準確率都比較接近。 編輯 搜圖 問題模型，因為問題比較簡單，使用詞袋模型即可，后面加兩層全連接層，將問題轉化成了向量。 編輯 搜圖 將圖片向量和問題向量融合，輸入進 softmax 分類即可。 編輯 搜圖 編輯 搜圖 最后可以看到達到了 93.8 的 accuracy。 |
