|
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
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；
5. 实例：学习Image Caption 图片自动标注
一个将图片转换为相应文字描述的例子。 | 
收藏