Introduction

对于image-text embedding learning，作者提出了 cross-modal projection matching (CMPM) loss 和 cross-modal projection classification (CMPC) loss。前者最小化两个模态特征投影分布的KL散度；后者基于norm-softmax损失，对模态A在模态B上的投影特征进行分类，进一步增强模态之间的契合度。

 

The Proposed Algorithm

Network Architecture

文本特征：Bi-LSTM + 最大池化策略

图像特征：MobileNet、ResNet-152

 

Cross-Modal Projection Matching

假设每对输入为，其中 x 表示图像，z 表示文本，表示文本图像匹配，其匹配概率计算为：。

对于一个图像，可能存在多个匹配的文本，在每个mini-batch中，对匹配概率进行正则化，即：，匹配损失为：，。

匹配损失中可以看出其本质是KL损失，当正确结果 p 比较低时，希望网络做出的预测 q 也比较低。再加上文本图像换位后得到的损失，CMPM损失计算为：。

 

Cross-Modal Projection Classification

传统的softmax计算为：

Norm-softmax损失为：

相比之下，norm-softmax采用了权重正则化项，下图直观来说：不同权重向量被归一化到相同长度，分类结果由原先的简化为，使得样本分布与权重向量更加紧密。

传统的softmax损失对原有的特征进行分类，而CMPC损失对A在B上的投影特征进行分类：

 

Experiments