在以前的video captioning解决方法中，绝大部分都是生成短短的一句话，并不能很好的概括视频中的详细内容，论文中提出了采用分级RNN的方法，先利用sentence generator产生句子，在上面叠加一层paragraph generato产生段落。在sentence generator中加入了时间和空间的attention机制。
整体结构如下：
Sentence Generator
图中（a）部分为sentence generator。首先将word用词向量来表示，作为Recurrent I的输入，Recurrent I相当于一个语言模型。在当前时刻Recurrent I计算出了当前的隐藏状态h，并把Recurrent I的隐藏状态h作为Attention I的输入。
其中video feature pool中为从视频中提取出的特征池，用{v1，v2，···， vkm}来表示。其中k为一帧当中patch的数量，因为要进行空间attention，所以需要在一阵中提取出多个不同的区域，以找出重点关注的部分；m为视频序列的长度，用于进行时间attention。
Attention I将视频特征v和隐藏状态h映射到一个低维空间，维数为32-256.Attention II对映射后的向量做了一个归一化。
通过
计算出在当前时刻t每一个特征的评分，然后再sequential softmax层中求出每一个特征对应的权重：
所有的权重之和为1.然后通过weighted average对特征进行加权平均计算出特征向量。需要补充的是，这个特征向量有可能有多个，比如文中有两个，object appearance和motion 特征。attention模型对不同的特征向量是分开进行权重学习的的。
在multimodal中将所有特征向量的加权平均值和Recurrent I中的隐藏状态h作为输入：
uot为objective appearance的特征向量加权值，Uat为motion的特征向量加权值，ht为Recurrent I的隐藏状态，φ 是stanh 函数，最终得到一个1024维的特征向量。然后就是接softmax对词分类了。训练时下一个时刻的输入还是label，测试时下一时刻的输入为当前时刻输出。（文中最后提到了用scheduled sampling可以做出一些优化）.
Paragraph Generator
对于paragraph中的第一个句子，Recurrent I的初始状态全部初始化为0，后续句子的初始化状态为paragraph状态。
Recurrent I和Recurrent II是异步的，Recurrent II以一个句子为一个时刻。把句子中所有词的词向量进行累加平均得到一个词的特征向量，用Recurrent I中的最后一个隐藏状态来作为句子的特征向量，连接这两个特征向量，然后与Sentence Embedding层全连接，激活函数用stanh得到最终句子的特征向量。
把句子输入到Recurrent II（可以看做以句子为单位的语言模型）中，得到当前时刻的隐藏状态，将隐藏状态与sentence embedding输入到paragraph state层得到当前段落状态，也作为下一句的初始状态。这样就学到了一个段落里面句子与句子之间的上下文关系。
训练
针对每一个单词的最大似然：
s1:n-1表示之前句子的状态，w1:t-1表示句子中已有的词，V表示视频特征。
文中使用了SGD来进行求最优解，步长为10^-4。在生成阶段使用beam search来生成句子。
这一篇主要的内容还是分级RNN，sentence级作为以word的单位的encoder，paragraph级作为以sentence为单位的encoder。其根本是建立起了句与句之间的语义关联，并且使用了空间和时间的attention机制，取得了不错的效果。使用VGGnet提取外观特征，C3D提取运动特征。
作者最后提到了使用双向RNN仍然是一个问题，在rnn结构中训练时使用正确label做输入与测试时使用output做输入还是有一定差别。可以尝试用scheduled sampling等来解决这个问题。
网友评论