基于对偶学习的跨领域图片描述生成

2017 年 11 月 7 日 PaperWeekly 杨敏

作者丨杨敏

学校丨中科院深圳先进技术研究院助理研究员

研究方向丨NLP，数据挖掘，推荐系统

本文经授权转载自公众号「AI论道」。

恰逢 CIKM 2017召开（2017 年 11 月 6 日，新加坡），AI 论道的第一篇文章主要介绍我们的被 CIKM 2017 收录的一篇文章：Dual Learning for Cross-Domain Image Captioning，这里只介绍了论文框架，细节请参照我们的论文。我们后续将 release 代码。

图片描述生成（image captioning）任务是结合 CV 和 NLP 两个领域的综合性任务，是一个跨学科跨模态的交叉性任务。其输入是一副图片，输出为对该图片进行描述的一段文字。这项任务要求模型可以识别图片的物体以及理解物体之间的关系，并用一句自然语言来表达。

应用场景：例如当用户拍了一张照片后，利用 image caption 技术为其匹配合适的文字，方便以后检索或省去用户手动配字等。此外，它还可以帮助视觉障碍者理解图片内容。

现在，许多科研团队和企业都参与来这个任务，包括 Google, IBM, Microsoft, 腾讯等。然而，这些团队主要在 MS COCO 数据集[1]上进行研究，并未考虑 cross-domain 的问题 (i.e., 训练数据与测试数据不属于同一个领域)。

比如，下图为三个不同的数据，其中 MS COCO 与 Flickr30K 图片相似，具有比较小的差异。而 MS COCO 与 Oxford-102 数据集则存在较大差异。在 MS COCO 上训练的模型，在 Oxford-102 数据集上一般表现得非常差。

我们的工作主要致力于解决跨领域图片描述生成问题 (cross-domain image captioning)。我们采用了 pre-training then adaptation 的策略。首先在 Source domain (i.e. MS COCO) 数据上做 pre-training，然后再在 target domain (e.g. Oxford-102) 数据上做 fine-tuning。我们的工作主要有以下贡献：

1. 据我们所知，我们是第一个将 dual learning 用于图片描述生成的工作。我们同时优化两个任务：图片描述生成和图片生成。图片描述生成部分，我们采用了 encoder-decoder 学习框架，其中 encoder 是 CNN （e.g. VGG-19), 而 decoder 是 attention-based LSTM 模型。图片生成部分，我们采用了 GAN 学习框架；

2. 图片描述生成部分，我们应用了强化学习（RL），这样可以解决传统 maximize likelihood 所错存在的 exposure bias 和 non-differentiable task metric 问题；

3. 我们将 MS COCO 做为 source domain, 将 Oxford102 和 Flickr30K 作为target domain。实验结果证明，我们的方法比传统方法有较大提升。

pre-training 的过程采用了标准的 encoder-decoder 框架，对于具体细节问题，还请大家参考原文。下面将为大家主要介绍我们的用于 domain adaptation 的 dual learning 方法。

我们采用强化学习强化学习（i.e., Policy gradient）方法来优化整个模型。我们运用了两类 rewards: evaluation metrics 和 reconstruction reward。前者可以帮助我们充分的优化生成的衡量指标，比如 BLEU，CIDEr 。后者可以帮助我们同时利用 image captioning 和 image synthesis 模型的关联，提高两个模型的效果。

另外，因为计算 reconstruction reward 不需要标注数据，我们的模型也可以无监督的或者半监督地进行学习（通过为 policy gradient 选择不同的 reward）。

reconstruction reward 的计算依赖于 dual learning 过程。我们将 image captioning 作为 primal task A，将 image synthesis 作为 dual task B。例如，当我们从 A 开始时，过程如下：首先，我们用模型 A 为每个图片 x 生成一个中间描述 y_{mid}。然后，我们用模型 B 为中间描述 y_{mid} 反向生成一个图片 x’。最后，通过评测这两个过程的生成结果，我们可以采用强化学习同时提高模型 A 和 B 的效果。

同理，当我们从 B 开始时，我们用模型 B 为每句图片描述y生成一个中间图片 x_{mid}。然后，我们用模型 A 这个中间图片 x_{mid} 生成一句描述 y’。

这时我们可以计算模型 A 和模型 B 的 policy gradient 算法的 rewards: