標題：神經模塊網路
來源：CVPR 2016 https://openaccess.thecvf.com/content_cvpr_2016/html/Andreas_Neural_Module_Networks_CVPR_2016_paper.html
代碼：https://github.com/jacobandreas/nmn2
一、問題提出
增強了網路的可解釋性
VQA模型的分類：
（1）巨型網路 (monolithic network)：傳統的神經網路，以CNN、RNN等為基礎，設計一個固定的網路架構處理 VQA 任務，比如CNN+LSTM 再連一個全連接分類器；
（2）神經模塊網路（Neural modular network ，NMN），該類方法認為問題是一系列基礎模塊的組合（如find, relate, count等），這些基礎模塊的功能可以用子網路來擬合，回答不同的問題需要選擇不同模塊網路來組合成一個大網路，因此網路結構是視問題而定的、動態的，相比于巨型網路，這種動態組合的網路更加直觀、可解釋，中間程序也更加透明，
本文首次提出了Neural Module Networks神經模塊網路（NMN），不是像傳統的神經網路模型一樣是一個整體，它是由多個模塊化網路組合而成，根據VQA資料集中每個questions定制一個網路模型，也就是說NMN模型的網路是根據question的語言結構動態生成的，
二、主要思想
2.1 主要步驟：
Step1：使用語意分析器parser分析每個問題，并結合分析獲取模塊布局layout（包括回答問題所需要的基本計算模塊和之間的關系），
Setp2：組合生成針對特定任務的模塊，回答問題，模塊內部需要人工設計，模塊之間傳遞的資訊可能是原始影像特征、注意力或分類決策，NMN中的所有模塊都是獨立的和可組合的，這使得計算對于每個問題實體是不同的，并且在訓練期間可能不會被觀察到，
該圖中首先生成一個關注狗的注意力（attend模塊），它將其輸出傳遞給一個位置分類器（classify模塊），
Step3：最終答案使用了一個回圈網路(LSTM)來讀取問題輸入，并結合NMN的輸出綜合得到分類結果，
2.2 問題定義：
三元組(w, x, y)
w：自然語言問題
x：圖片
y：答案
模型由模塊m的集合完全確定，每個模塊都具有相關引數\(\theta_m\)和一個從字串映射到網路的網路布局layout的預測器P，給定\(\left(w,x\right)\)，模型基于P(w)實體化一個網路，傳遞x (也可能是w)作為輸入，并在標簽上獲得一個分布(對于VQA任務，要求輸出模塊是一個分類器)，因此，模型最終編碼一個預測分布\(p(y|w,x;\theta)\) ，
2.3 具體實作：
Part1：模塊定義
模塊操作三種基本資料型別：影像、未歸一化的注意力和標簽，
形式：
TYPE [INSTANCE] (ARG1,...)
TYPE：高級模塊型別(比如注意、分類等)，
INSTANCE：考慮的模型的特定實體—例如，attend[red]定位紅色的東西，而attend[dog]定位狗，權重可以在型別級別和實體級別上共享，
模塊型別包括：
注意模塊attend[c]：將輸入影像中的每個位置與權重向量(每個c不同)卷積，以產生一個熱力圖或未歸一化的注意，
再注意力模塊re-attend[c]：帶校正非線性(ReLUs)的多層感知器，執行一個從一個注意到另一個注意的全連接映射，例如，re-attend[above]應該將注意力轉移到最活躍的區域，而re-attend[no]應該將注意力從活躍區域移開，
組合模塊combine[c]：將兩個注意力合并成一個注意力，例如，combine[and]應該只在兩個輸入都激活的區域激活，而combine[except]應該在第一個輸入激活而第二個輸入不激活的區域激活，
測量模塊measure[c]：單獨關注并通過標簽將其映射到一個分布，由于模塊之間傳遞的注意是未歸一化的，所以measure適用于評估被檢測物件是否存在，或者計算物件的集合，
分類模塊classify[c]：需要注意輸入影像，并將它們映射到標簽上的分布，
Part2：從字串到模塊架構
Parsing：
用Stanford Parser決議每個問題，抽取句子中物件之間的語法關系，并生成抽象的句子表示；此外還執行基本的語意化，例如把kites變成kite、were變成be，減少了模塊實體的稀疏性，
例如：what color is the trunk 轉化為 color(truck)
Layout：
基于特定的任務，將符號表示轉化為模塊網路結構，
映射：
葉子節點 對應 attend模塊（使用注意力）
內部節點 對應 (根據它們的度)re-attend模塊或combine模塊
根節點 對應 回答是/否問題的measure模塊或者classify模塊
具體每個模塊的實體化不相同：
例如：attend[cat]和attend[trunck]引數不一樣
神經模塊網路結構統計：
NMN模塊可視化實體：
NMN模塊泛化：
除了提供句子，通過parser和layout得到模塊網路，還可以直接提供類似于sql的查詢陳述句，精確地指定需求：
Part3：
預測：包括LSTM網路和NMN模塊網路兩部分
LSTM網路允許我們在資料中建模潛在的語法規則，其次，它允許我們捕捉語意規律，
例如：what is flying和what are flying兩個問題，is和are都會被轉化為be，所以最終轉化為：what(fly)；但它們的答案應該分別是kite和kites，
LSTM模塊和NMN模塊都輸出預測答案集上的分布，模型的最終預測結果是這兩種概率分布的幾何平均值，
最后，LSTM模塊和NMN模塊是聯合進行訓練的，
三、實驗
資料集：VQA資料集 SHAPE資料集
結果：
可視化：
正確案例：
錯誤案例：
四、總結
主要貢獻：
1、提出了神經模塊網路NMN，為學習神經模塊集合提供了一個通用的框架，這些神經模塊集合可以動態地組合成任意深度網路，
2、NMN在回答物件或者屬性問題上表現出色，
3、提出了SHAPE資料集，
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/457596.html
標籤：其他
上一篇：【課程筆記】中科大資訊論（六）
下一篇：論文閱讀：《Probabilistic Neural-symbolic Models for Interpretable Visual Question Answering》