Hierarchical Question-Image Co-Attention for Visual Question Answering

2022-10-27 19:12:34

Hierarchical Question-Image Co-Attention for Visual Question Answering

NIPS 2016

Paper: https://arxiv.org/pdf/1606.00061.pdf

Code: https://github.com/jiasenlu/HieCoAttenVQA

Introduction：

　　本文提出了一种新的联合图像和文本特征的协同显著性的概念，使得两个不同模态的特征可以相互引导。

　　此外，作者也对输入的文本信息，从多个角度进行加权处理，构建多个不同层次的 image-question co-attention maps，即：word-level，phrase-level and question-level。

　　最后，在 phrase level，我们提出一种新颖的卷积-池化策略（convolution-pooling strategy）来自适应的选择 the phase size。

Methods：

1. Notation：

　　问题 Q = {q₁, ... , q_T}，其中 q_t 是第 t 个单词的特征向量。我们用 q_t^w, q_t^p, q_t^s 分别表示在位置 t 处的 Word embedding，phrase embedding 以及 question embedding。

　　图像特征表示为 V = {v₁, ... ,v_N}，其中，v_n 是空间位置 n 处的特征向量。

　　图像和问题的 co-attention features 在每一个层次，都可以表示为：v^, q^。

　　不同模块和层的权重可以表示为 W。

2. Question Hierarchy：

　　给定 the 1-hot encoding of the question words Q, 我们首先将单词映射到单词空间，以得到：Q^w. 为了计算词汇的特征，我们采用在单词映射向量上采用 1-D 卷积。具体来说，在每一个单词位置，我们计算 the Word vectors with filters of three window sizes 的内积：unigram, bigram and trigram. 对于第 t 个单词，在窗口大小为 s 时的卷积输出为：

　　其中，W_c^s 是权重参数。单词级别的向量 Q^w是 approximately 0-padding before feeding into bigram and trigram convolutions to maintain the length of the sequence after convolution. 给定卷积的结果，我们然后在每一个单词位置，跨越不同的 n-grams 采用 max-pooling 以得到 phrase-level features：

　　我们的 pooling method 不同于前人的方法，可以自适应的选择 different gram features at each time step, 并且可以保持原始序列的长度和序列。我们利用 LSTM 来编码 max-pooling 之后的 sequence 。对应的 question-level feature 是第 t 个时间步骤的 LSTM hidden vector。

3. Co-Attention：

　　我们提出两种协同显著的机制（two co-attention mechanism），第一种是 parallel co-attention，同时产生 image 和 question attention。第二种是 alternating co-attention，顺序的产生 image 和 question attentions。如图2所示，这些 co-attention mechanisms 可以在所有问题等级上执行。

　　【Parallel Co-Attention】 这种 attention 机制尝试同时对 image 和 question 进行 attend。我们通过计算图像和问题特征在所有的 image-locations and question-locations 进行相似度的计算。具体来说，给定一个图像特征图 V，以及问题的表达 Q，放射矩阵（the affinity matrix）C 可以计算如下：

　　其中，W_b 包括了权重。在计算得到 affinity matrix 之后，计算 image attention 的一种可能的方法是：simply maximize out the affinity over the locations of other modality, i.e.

　　并非选择 the max activation，我们发现如果我们将这个 affinity matrix 看做是一个 feature，然后学习去预测 image 和 question attention maps 可以提升最终的结果：

　　其中 Wv 和 Wq，w_hv，w_hq 是权重参数。a^v 和 a^q 是每一个图像区域 v_n 和单词 q_t 的 attention probability。放射矩阵 C 将 question attention space 转换为 image attention space. 基于上述 attention weights，图像和问题 attention vectors 可以看做是 image feature 和 question feature 的加权求和：