Cross-modal retrieval methods build a common representation space for samples from multiple modalities, typically from the vision and the language domains. For images and their captions, the multiplicity of the correspondences makes the task particularly challenging. Given an image (respectively a caption), there are multiple captions (respectively images) that equally make sense. In this paper, we argue that deterministic functions are not sufficiently powerful to capture such one-to-many correspondences. Instead, we propose to use Probabilistic Cross-Modal Embedding (PCME), where samples from the different modalities are represented as probabilistic distributions in the common embedding space. Since common benchmarks such as COCO suffer from non-exhaustive annotations for cross-modal matches, we propose to additionally evaluate retrieval on the CUB dataset, a smaller yet clean database where all possible image-caption pairs are annotated. We extensively ablate PCME and demonstrate that it not only improves the retrieval performance over its deterministic counterpart, but also provides uncertainty estimates that render the embeddings more interpretable.


翻译:跨模式检索方法为来自多种模式的样本构建了一个共同的表示空间, 通常来自视觉和语言域。 对于图像及其字幕来说, 函文的多重性使得任务特别具有挑战性。 由于图像( 分别是一个标题), 有多种标题( 不同的图像), 也同样有意义 。 在本文中, 我们争论说, 确定性功能不足以捕捉这种一对一对一对一对一的通信。 相反, 我们提议使用概率跨模式嵌入( PCME ), 不同模式的样本代表着共同嵌入空间的概率分布。 由于像 COCO 这样的共同基准具有跨模式匹配的非穷尽性说明, 我们提议对 CUB 数据集的检索进行额外的评估, 一个较小但清洁的数据库, 其中所有可能的图像描述配对都有注释。 我们广泛更新 PCME, 并表明它不仅改善了相对于其确定性对应方的检索性, 而且还提供了不确定性的估算, 使得嵌入过程更容易解释。

2
下载
关闭预览

相关内容

iOS 8 提供的应用间和应用跟系统的功能交互特性。
  • Today (iOS and OS X): widgets for the Today view of Notification Center
  • Share (iOS and OS X): post content to web services or share content with others
  • Actions (iOS and OS X): app extensions to view or manipulate inside another app
  • Photo Editing (iOS): edit a photo or video in Apple's Photos app with extensions from a third-party apps
  • Finder Sync (OS X): remote file storage in the Finder with support for Finder content annotation
  • Storage Provider (iOS): an interface between files inside an app and other apps on a user's device
  • Custom Keyboard (iOS): system-wide alternative keyboards

Source: iOS 8 Extensions: Apple’s Plan for a Powerful App Ecosystem
专知会员服务
29+阅读 · 2020年9月13日
100+篇《自监督学习(Self-Supervised Learning)》论文最新合集
专知会员服务
164+阅读 · 2020年3月18日
Cross-Modal & Metric Learning 跨模态检索专题-2
无监督元学习表示学习
CreateAMind
27+阅读 · 2019年1月4日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
【SIGIR2018】五篇对抗训练文章
专知
12+阅读 · 2018年7月9日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
Revisiting CycleGAN for semi-supervised segmentation
Arxiv
3+阅读 · 2019年8月30日
Pluralistic Image Completion
Arxiv
8+阅读 · 2019年3月11日
Arxiv
4+阅读 · 2018年11月26日
VIP会员
相关VIP内容
专知会员服务
29+阅读 · 2020年9月13日
100+篇《自监督学习(Self-Supervised Learning)》论文最新合集
专知会员服务
164+阅读 · 2020年3月18日
Top
微信扫码咨询专知VIP会员