用CNN分100,000类图像

用CNN分100,000类图像

[Title]:Dual-Path Convolutional Image-Text Embedding

[arXiv]:cn.arxiv.org/abs/1711.0

[Code]:layumi/Image-Text-Embedding


[Motivation]:

在这篇文章中我们尝试了 用CNN分类113,287类图像(MSCOCO)。

  • 实际上我们将每张训练集中的图像认为成一类。(当然, 如果只用一张图像一类,CNN肯定会过拟合)。同时,我们利用了5句图像描述(文本),加入了训练。所以每一类相当于 有6个样本 (1张图像+5句描述)。
  • 文章想解决的问题是instance-level的retrieval,也就是说 如果你在5000张图的image pool中,要找“一个穿蓝色衣服的金发女郎在打车。” 实际上你只有一个正确答案。不像class-level 或category-level的 要找“女性“可能有很多个正确答案。所以这个问题更细粒度,也更需要detail的视觉和文本特征。
  • 同时我们又观察到好多之前的工作都直接使用 class-level的 ImageNet pretrained 网络。但这些网络实际上损失了信息(数量/颜色/位置)。以下三张图在imagenet中可能都会使用Dog的标签,而事实上我们可以用自然语言给出更精准的描述。也就是我们这篇论文所要解决的问题(instance-level的图文互搜)。



[Related Work]:

可以click一下我之前的这个回答,还有学长的回答。

计算机视觉和自然语言处理,哪个更具有发展前景呢,还是各有千秋呢?


[Method]:

  1. 对于自然语言描述,我们采用了相对不那么常用的CNN 结构,而不是LSTM结构。来并行训练,finetune整个网络。结构如图。结构其实很简单。

对于TextCNN,我们是用了类似ResNet的block。注意到句子是一维的,在实际使用中,我们用的是 1X2的conv。


2. Instance loss。 我们注意到,最终的目的是让每一个图像都有区分(discriminative)的特征,自然语言描述也是。所以,为什么不尝试把每一张图像看成一类呢。(注意这个假设是无监督的,不需要任何标注。)

这种少样本的分类其实在之前做行人重识别就常用,但行人重识别(1467类,每类9.6张图像,有人为ID的标注。)没有像我们这么极端。

Flickr30k:31,783类 (1图像+5描述), 其中训练图像为 29,783类

MSCOCO:123,287类 (1图像 + ~5描述), 其中训练图像为 113,287类

注意到 Flickr30k中其实有挺多挺像的狗的图像。

不过我们仍旧将他们处理为不同的类,希望也能学到细粒度的差别。

(而对于CUHK-PEDES,因为同一个人的描述都差不多。我们用的是同一个人看作一个类,所以每一类训练图片多一些。CUHK-PEDES用了ID annotation,而MSCOCO和Flickr30k我们是没有用的。)


3. 如何结合 文本和图像一起训练?

其实,文本和图像很容易各学各的,来做分类。所以我们需要一个限制,让他们映射到同一个高层语义空间。

我们采用了一个简单的方法:在最后分类fc前,让文本和图像使用一个W,那么在update过程中会用一个软的约束,这就完成了(详见论文 4.2)。 在实验中我们发现光用这个W软约束,结果就很好了。(见论文中StageI的结果)


4.训练收敛么?

收敛的。欢迎大家看代码。就是直接softmax loss,没有trick。

图像分类收敛的快一些。文本慢一些。在Flickr30k上,ImageCNN收敛的快,

TextCNN是重新开始学的,同时是5个训练样本,所以相对慢一些。


5. instance loss 是无监督的么?

instance loss的假设是无监督的,因为我们没有用到额外的信息 (类别标注等等)。而是用了 “每张图就是一类” 这种信息。


6. 使用其他无监督方法,比如kmeans 先聚类,能不能达到类似instance loss的结果?

我们尝试使用预训练ResNet50提取pool5特征,分别聚了3000和10000个类。

(聚类很慢,虽然开了多线程,聚10000个类花了1个多小时,当中还怕内存不足,死机。大家请慎重。)

在MSCOCO采用instance loss的结果更好一些。我们认为聚类其实没有解决,黑狗/灰狗/两条狗都是 狗,可能会忽略图像细节的问题。


7. 比结果的时候比较难。因为大家的网络都不太相同(不公平),甚至train/test划分也不同(很多之前的论文都不注明,直接拿来比)。

所以在做表格的时候,我们尽量将所有方法都列了出来。注明不同split。

尽量VGG-19 和 VGG-19来比, ResNet-152 和ResNet-152比。欢迎大家详见论文。

和我们这篇论文相关的,很多是鲁老师的工作,真的推荐大家去看。


8. 更深的TextCNN一定更好么?

这个问题是Reviewer提出的。

相关论文是 Do Convolutional Networks need to be Deep for Text Classification ?

确实,在我们额外的实验中也发现了这一点。在两个较大的数据集上,将文本那一路的Res50提升到Res152并没有显著提升。


9. 一些trick(在其他任务可能不work)

  • 因为看过bidirectional LSTM一个自然的想法就是 bidirectional CNN,我自己尝试了,发现不work。插曲:当时在ICML上遇到fb CNN翻译的poster,问了,他们说,当然可以用啊,只是他们也没有试之类的。
  • 本文中使用的Position Shift 就是把CNN输入的文本,随机前面空几个位置。类似图像jitter的操作吧。还是有明显提升的。详见论文。
  • 比较靠谱的数据增强 可能是用同义词替换句子中一些词。虽然当时下载了libre office的词库,但是最后还是没有用。最后采用的是word2vec来初始化CNN的第一个conv层。某种程度上也含有了近义词的效果。(相近词,word vector也相近)
  • 可能数据集中每一类的样本比较均衡(基本都是1+5个),也是一个我们效果好的原因。不容易过拟合一些“人多”的类。


[Results]

  • TextCNN 有没有学出不同词,不同的重要程度?(文章附录)

我们尝试了从句子中移除一些词,看移除哪些对匹配score影响最大。

  • 一些图文互搜结果(文章附录)
  • 自然语言找行人
  • 细粒度的结果

论文中可能细节说得还不是很清楚,欢迎看代码/交流。



--------------更多其他文章-------------

编辑于 2019-07-21