TOMM | 用CNN分100,000类图像
[Title]：Dual-Path Convolutional Image-Text Embedding
[arXiv]：http://cn.arxiv.org/abs/1711.05535
[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]:
- 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。
- Multimodal convolutional neural networks for matching image and sentence
- Convolutional Neural Network Architectures for Matching Natural Language Sentences
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-------------
