本文基于语言卷积神经网络，融合之前时刻的所有单词，从而保存了更详尽的历史信息，使得结果更加准确。不同于常规语言模型例如LSTM通过逐个单词递推的方式来生成caption，本模型对历史单词进行建模，解决了长文本层次结构和依存性建模的问题，取得了当时的state-of-the-art。
论文地址:
https://arxiv.org/abs/1612.07086
引言
传统的encoder-decoder模型，虽然通过LSTM的门机制可以一定程度上减轻梯度消失问题，但无法避免的是，当输入序列很长时，会丢失大量的历史信息。尤其是在中文领域，模型的性能往往会受到影响。
数据集
本文基于MS-COCO和Flicker30k数据集，分别包含123,287和31,783张图片。为了提高训练数据的质量，将数据集中单词全部小写并用UNK替换出现次数少于5次的单词，另外，训练集中的Ground Truth Captions截断为最多包含16个单词。
###模型
该模型主要由四部分组成：用于图像特征提取的 CNN_I，用于自然语言建模的 CNN_L，融合视觉和文本特征的的多模态层 M，以及单词预测的递归网络层。 CNN_I层利用16层的VGGNet提取图片特征，并embedding成需要的尺寸；CNN_L对历史预测的所有单词进行建模得到整体表达；M层将图像和语言信息进行融合后送入递归神经网络预测下一个单词。
CNN_L Module依托其天然的整体理解能力，将历史预测的单词构建一个层级表征，从而实现远距离依存性的提取。
逐层进行卷积操作，提取高级特征。此处限制了历史预测单词的数量为16个，对于不足16个的情况进行padding。为了体现单词间的时序性，与常规CNN不同的是，不进行池化操作。另外，根据实验发现，CNN层数越深效果越好。
Multimodal Fusion Layer
多模态层即对图像和语言信息进行融合。
Recurrent Networks Layer
递归网络层采用Recurrent Highway Networks结构，便于反向传播梯度计算。
实验结果
对比Google NICv2和Attributes-CNN+RNN等模型，可以看出本文模型取得了较大突破，优于当时大部分模型，而且生成的caption具有很好的流畅性。
结论
本文利用语言卷积模型，全面考虑了历史信息的包含，提升了结果的准确性，也使得模型更易于训练。但是由于历史信息的持续影响，使得图像信息中的实际物体信息反而被忽视，导致了句中名词和属性词的误判。
扫码识别关注，获取更多论文解读