ECCV 2018
主要思路：分别对文本和图像应用attention的机制，学习比较好的文本和图像表示，然后再在共享的子空间中利用hard triplet loss度量文本和图像之间的相似性。
图像特征：采用ResNet-101的Faster R-CNN网络对每一个图像产生k个目标区域，提取每一个目标对象的特征，嵌入矩阵变换为h维的vector
文本特征：文本的每一个word得到one-hot vector，embedding后为300维的vector，再用双向GRU得到h维的vector（bi-directional GRU）
计算每一个proposal vector和attended sentence vector之间的余弦距离，根据计算的余弦距离,再进行average polling
相似度（余弦相似度）：
average polling：
采用ResNet-101的Faster R-CNN网络对每一个图像产生多个proposal，提取每一个proposal（proposal vector，mean-pooled convolutional feature）和文本的每一个word的特征（bi-directional GRU），计算每一个word和proposal之间的余弦距离，根据计算的余弦距离，并根据权重形成image vector
同上
Loss Function
文章中用LogSumExp pooling (LSE)，average pooling (AVG)和Sum-Max（SM）等方法度量sentence vector与proposal vector和image vector与word vector的相似性，然后用hard triplet loss训练
总结
先前的工作简单地聚合所有可能的区域和单词对的相似性，而对较多和不太重要的单词或区域没有进行区分。在本文中，提出Stacked Cross Attention，使用图像区域和句子中的单词作为上下文来发现完整的潜在对齐，并推断出图像 - 文本的相似性。