一、背景
文章题目：《LRTA: A Transparent Neural-Symbolic Reasoning Framework with Modular Supervision for Visual Question Answering》
这篇文章的核心内容只有5页，但是做的挺好，方法很新，读起来也非常容易理解。
文章下载地址：https://arxiv.org/pdf/2011.10731.pdf
文章引用格式：Weixin Liang, Feiyang Niu, Aishwarya Reganti, Govind Thattai and Gokhan Tur. "LRTA: A Transparent Neural-Symbolic Reasoning Framework with Modular Supervision for Visual Question Answering." arXiv preprint, arXiv: 2011.10731,
项目地址：目前项目的代码作者还没给，但是给了数据集，参考https://github.com/Aishwarya-NR/LRTA_Perturbed_Dataset
二、文章导读
The predominant approach to visual question answering (VQA) relies on encoding the image and question with a “black-box” neural encoder and decoding a single token as the answer like “yes” or “no”. Despite this approach’s strong quantitative results, it struggles to come up with intuitive, human-readable forms of justification for the prediction process. To address this insufficiency, we reformulate VQA as a full answer generation task, which requires the model to justify its predictions in natural language. We propose LRTA [Look, Read, Think, Answer], a transparent neural-symbolic reasoning framework for visual question answering that solves the problem step-by-step like humans and provides human-readable form of justification at each step. Specifically, LRTA learns to first convert an image into a scene graph and parse a question into multiple reasoning instructions. It then executes the reasoning instructions one at a time by traversing the scene graph using a recurrent neural-symbolic execution module. Finally, it generates a full answer to the given question with natural language justifications. Our experiments on GQA dataset show that LRTA outperforms the state-of-the-art model by a large margin (43.1% v.s. 28.0%) on the full answer generation task. We also create a perturbed GQA test set by removing linguistic cues (attributes and relations) in the questions for analyzing whether a model is having a smart guess with superficial data correlations. We show that LRTA makes a step towards truly understanding the question while the state-of-the-art model tends to learn superficial correlations from the training data.
VQA目前主要是将图像和问题输入到“黑箱子”编码器中进行编码，再将其对应的答案解码得到答案的具体表达。尽管这类方法有很好的效果，但是它与人类可读或可判断的形式来预测答案仍有一定距离。为了解决这类问题，我们将VQA表示为一个完全的答案生成任务，它需要进一步判断模型的预测。作者将其命名为LRTA，一种神经符号的（neural-symbolic）的VQA推理框架，可像人类一样，逐步判断每一步的结果。具体来说，LRTA首先将图像转换为一个场景图，将问题解析为多个推理指令。然后，使用递归neural-symbolic执行模块遍历所有的场景图，执行一次推理指令。最后，它会给出问题的正确答案及语言判断。实验在GQA数据集上表明，LRTA比现在最好的模型还要好。另外作者还对GQA测试集进行了扰动，移除问题中的语言线索，以分析模型是否能够从学习数据之间的表面关系。
三、文章介绍
目前大部分的VQA模型，都是对输入的图像和文本进行编码，这类方法带来复杂的计算，但预测答案往往只有简单的表示，比如用“yes”或者“no”。这类方法的缺点在于没有使用一种人类可以理解的，或者可以判断的形式来展现预测答案。另外最近的一些研究也表明，这类方法仍然具有一些错误行为，比如忽视问题中的某些重要的信息，关注图像中的错误地方，甚至一直坚持一些错误的、具有误导性的关联。
为了解决这种不充分性的问题，我们将VQA表示为一个答案生成任务（full answer generation task）而不是分类任务。它需要模型用自然语言来生成一个正确的完整的答案。我们发现现有的最好模型，很多虽然能够正确回答问题，但实际上的 推理过程都是错误的。为了解决这个问题，作者提出了LRTA (Look Read Think Answer)模型，它能够像人一样逐步来解决问题，首先，看一张图像，然后阅读问题，再之后思考进行多步推理，最后给出答案。从这个角度出发，LRTA具有四个模块：
A scene graph generation module first converts an image into a scene graph; 场景图生成模块，将图像转换为场景图
A semantic parsing module parses each question into multiple reasoning instructions; 语义解析模块，将问题解析为多次推理指令
A neural execution module interprets reason instructions one at a time by traversing the scene graph in a recurrent manner; 神经执行模块，用递归的形式遍历场景图，一次解释一个推理指令。
A natural language generation module generates a full answer containing natural language explanations. 自然语言生成模块，生成一个包含自然语言解释的答案。
四个模块都包含了隐含状态而不是只有显式输出，因此整个框架可以进行端到端训练。此外，由于LRTA可以在测试过程中，每一个模块都可以以人类可读的形式处理，因此我们很容易检查错误答案的问题出在哪里。最后实验在GQA数据集上表明，LRTA比目前最好的模型效果还要好很多（43%比28%的精度）。
总的来说，文章的贡献有三个方面：
• We formulate VQA as a full answer generation problem (instead of short answer classification) to improve explainability and discourage superficial guess for answering the questions. 将VQA作为答案生成问题处理，以提高回答问题的可解释性。
• We propose LRTA, an end-to-end trainable, modular VQA framework facilitating explainability and enhanced error analysis as compared to contemporary black-box approaches. 提出了LRTA模型，相较于传统的黑箱方法，该方法可增强对错误的分析。
• We create a perturbed GQA test set that provides an efficient way to peak into a model’s reasoning capability and validate our approach on the perturbed dataset. The dataset is available for future research - https://github.com/Aishwarya-NR/LRTA_Perturbed_Dataset 。提出了改进的GQA测试数据集。
1. 模型LRTA: Look, Read, Think and Answer
模型的整体结构如下图所示：
正如前面所说，模型结构分为四个模块：
（1）Look: Scene Graph Generation场景图的生成
给定一张图像I，图中的每一个目标就作为场景图中的一个节点，节点之间的边就表示目标之间的关系。首先，建立场景图需要进行目标检测，我们使用DETR模型进行场景中的目标检测，因为该模型移除了一些手动设计的步骤，比如非极大抑制；DETR将从ResNet50中获得图像特征，输入到非自动回归（non-autoregressive）的transformer模型中，可获得N个目标向量，即：
[o1; o2; : : : ; oN] = DETR (1)
每个目标向量都表示图像中的一个目标；之后，对于每一个目标向量，DETR使用一个解码器，来获得其对应的目标类别；因为N个目标类别的预测是无序的（order-less），因此DETR计算预测的损失是通过计算第一次预测结果和真值之间的匹配情况来进行的，然后再对每一个目标向量的loss进行求和。N设置为100，另外BETR还有另一个标签"no object"，代表目标向量不表示任何目标。
由于目标检测并不能学习到目标的属性，还有目标之间的关系。因此我们还在目标检测中添加了额外的属性检测，对于每一种属性的概念（比如颜色），我们创建了所有它可能出现的值（红色，粉色等）；为了获得目标之间的关系，我们考虑N(N - 1)个目标向量对，即[e1; e2; : : : ; eN(N-1)]，而每一个目标向量对之间的关系编码，我们将向量对输入到归一化层中来获得边向量（edge vector），再将其进行解码，获得对应的关系标签，该过程表示如下：
ei;j = LayerNorm(FeedForward(oi ⊕ oj)) (2)
目标检测、目标属性、和关系检测都是以一种监督的多任务形式（multi-task manner）行进的。对于没有关系的目标向量对，我们依然使用标签“no relation”。最终的场景图构成，应该是由N个目标向量和N(N-1)个边向量构成的，之后我们将其输入到后面的模块中。
（2）Read: Semantic Parsing语义解析
语义解析就类似于一个编译器，就是将问题字符转化为神经网络可处理的形式。我们使用分层序列生成设计：先用transformer将问题解析为M个指令向量的序列，即[i1; i2; : : : ; iM]，其中第i个指令向量恰好对应第i步。为了便于理解，我们用基于transformer的指令向量解码器，将指令向量解码为人类可读的text文本。将M个指令向量输入到下一步Neural Execution Engine处理中，该过程可以表示为：
[i1; i2; : : : ; iM] = Transformer(q1; q2; : : : ; qQ) (3)
（3）Think: Visual Reasoning with Neural Execution Engine视觉推理
Neural Execution Engine工作方式是一种循环形式：在第m次过程中，Neural Execution Engine需要第M个指令向量，和输出的场景图的遍历结果。与循环神经网络相似，每一个历史向量，都有着当前步骤所有节点的state，这些state会输入到下一次计算中。neural execution engine使用的是图神经网络，它对图的卷积操作使用的是近邻聚集策略（neighborhood aggregation scheme）。最关键的是，每个节点聚集它的近邻的特征向量来计算它的新特征向量作为下面神经层的输入。因此，在第m次，给定一个中心节点，我们能够通过后向反馈网络获得它周围节点的特征向量：场景图中，周围节点的目标向量记为ok，周围节点和中心节点的边向量记为ek;central，第m-1次的历史向量为hm-1，第m次的指令向量为im，则：
之后将每一个周围节点的特征向量取平均作为中心节点的背景向量。之后，对每一个中心节点进行节点分类，“1”表示第m次中该节点需要被遍历，“0”反之。这个分类过程采用的是softmax，表示如下
所有节点的分类结果会形成一个二值图，将其作为场景图的遍历结果，之后再计算所有目标向量的加权平均，作为历史向量hm，权重就是每一个节点分类的置信分数：
（4）Answer: Full Answer Generation答案生成
VQA之前总是将问题生成作为一个分类问题，而我们将其作为一个自然语言生成问题来处理，为了实现这一步，LRTA用了transformer模型，它需要前面所有的历史向量，最后生成的答案字符可以表示为：
(a1; a2; : : : ; aA) = Transformer(h1 ⊕ h2 ⊕ · · · ⊕ hM) (8)
（5）End-to-End Training: From Pixels to Answers端到端训练
我们通过隐含状态（hidden states）连接4个模块，因此可以进行端到端的训练，loss采用四个模块loss的求和。
2. 实验
设置：数据集使用GQA
比较实验：如下图所示：
LRTA比LXMERT的结果要明显的更好。
对于真值场景图的验证结果如下，这里对LTRA使用visual oracle在第一步中进行验证：
验证结果表明，在短答案和所有答案中，结果表现都很好。
之后作者再对GQA数据集进行扰动，扰动后进行精度评定的结果如下：