读论文：CVPR2018 SSAH

转载请注明作者：梦里茶

这是腾讯AI Lab与西电合作的一篇CVPR2018的paper，在多模态检索任务中加入对抗网络组件，为跨模态对象生成更好的语义特征，从而提高了跨模态检索的效果。

问题描述

跨模态检索：

• 利用一种模态的数据去检索另一种模态中的数据，比如文字搜图片

Text2Image

• 寻找多种模态的数据对应的关键字

Data2Label

• 常用的数据集：MSCOCO, NUS-WIDE, MIRFLICKR-25K

如果我们在检索的时候再去做特征提取，检索速度会很慢，因此通常需要预先将特征提取出来，根据相似度建立索引，从而加快检索速度，为了节省存储空间，并加快计算效率，通常会要求特征尽量短，并且是二进制表示，这样的特征我们称为Hash。

常用方法

我们要根据多模态的内容生成一个hash，希望不同模态的同个对象hash尽量相近，不同对象的hash尽量不同。由于跨模态的内容具有语义上的联系，通常的做法是将不同模态的内容映射到公共的语义空间，已经有很多这方面的工作，有监督/无监督的，Shallow的手工特征/Deep特征。得到特征之后，可以用sign操作将连续的feature向量变成离散值，从而得到更轻量的特征。

sign

SSAH

image

这篇论文提出了一个结合对抗学习的深度神经网络：

• 利用深度提取图像和文本特征，转为hash（I/T->F->L+H->B）
• 利用标签生成特征，再转为hash，并希望特征能够还原回label（（L->F->L+H->B）
• 有监督地最小化不同模态特征和hash的差异
• 加入能够区分不同来源的特征的判别器进行对抗训练，进一步减小不同模态特征的差异

接下来具体讲其中几个部分：

Self supervised semantic Generation(L->F->L+H->B)

• 输入：某个图文对应的label，每个对象会对应多个label，one hot成01向量
• 经过四层神经网络（L->4096->512->N）
• 输出长度为N的向量，N=K+c，K为哈希码长度，c为label的类别个数
• 训练目标：让生成的hash保留语义上的相关性，并能还原回原来的label

image

训练目标由这个Loss约束完成：

image
首先解释一下符号（以下数学符号用LaTeX格式显示，简书不支持公式编辑，更好的阅读体验请查看cweihang.io），

• $$H^l$$ 是根据label生成的hash，

• $$B^l$$是由hash执行sign操作得到的二进制码

• $$\hat{L}$$ 是由特征还原回来的label

• $$L$$ 是原本的label

• $$\Delta_{ij}^{l=\frac{1}{2}(F_i}l)^\top(F_jl)$$ ，即样本i和样本j的label生成的特征的余弦相似度

• $$\Gamma_{ij}^{l=\frac{1}{2}(H_i}l)^\top(H_jl)$$，即样本i和样本j的label生成的特征余弦相似度

• $$S_{ij}$$ 表示样本i和j是否包含至少一个相同的label，

  • 包含为1，表示样本i和j在语义上相似
  • 不包含为0，表示样本i和j在语义上不相似

• 对于 $$\mathcal{J}_1$$ ,

$$-\sum_{i,j=1}^{{n}{S_{ij}\Delta_{ij}}{l}-log(1+e^{\Delta_{ij}l})} $$

$$= -\sum_{i,j=1}^{{n}{log(\frac{e}{S_{ij}\Delta_{ij}^{l}}}{1+e{\Delta_{ij}^l}})} $$

$$= -\sum_{i,j=1}^{{n}{log(\frac{e}{\Delta_{ij}^{l}}}{1+e{\Delta_{ij}^l}})} if S_{ij}=1$$

$$= -\sum_{i,j=1}^{{n}{log(\frac{1}{1+e}{\Delta_{ij}^l}})} if S_{ij}=0$$

$$= \sum_{i,j=1}^{{n}-{S_{ij}log(\frac{e}{\Delta_{ij}^{l}}}{1+e{\Delta_{ij}^{l}})-(1-S_{ij})log(1-\frac{e}{\Delta_{ij}^{l}}}{1+e{\Delta_{ij}^l}})} $$

所以，实际上这个loss和交叉熵loss是等效的

即$$S_{ij}=1$$时，

$$min -\sum_{i,j=1}^{{n}{log(\frac{e}{\Delta_{ij}^{l}}}{1+e{\Delta_{ij}^{l}})}=max\sum_{i,j=1}}{n}{log(\frac{1}{1+e^{{-\Delta_{ij}}l}})}=max \Delta_{ij}^l $$

最大化两个向量的余弦相似度

$$S_{ij}=0$$ 时，

$$min -\sum_{i,j=1}^{{n}{log(\frac{1}{1+e}{\Delta_{ij}^{l}})}=max\sum_{i,j=1}}{n}{log(\frac{1}{1+e^{\Delta_{ij}l}})}=min\Delta_{ij}^l $$

最小化两个向量的余弦相似度

• 对于$$ \mathcal{J}_2$$ 同理，从而约束了相似的label具有相似的hash

• 对于 $$\mathcal{J}_3 $$, 使 $$H^l$$ 和 $$B^l$$ 尽可能接近，从而使得Hash向量中的元素尽量接近-1,1，减少了 H -> B 时的损失

• 对于 $$\mathcal{J}_4$$ , 使得还原的标签与原来的标签尽可能相同

这个部分跟自编码器很像，是自监督的过程，由label生成特征，再由特征还原回label

Feature Learning(I/T->F->L+H->B)

• 输入：图像/文本，
• 经过神经网络提取特征（图像和文本的网络不同）
• 输出长度为N的向量，N=K+c，K为哈希码长度，c为label的类别个数
• 训练目标：
  • 在特征中保留语义信息，因此希望预测label与真实label相近
  • hash尽量接近binary code
  • 让特征提取得到的feature和hash与Semantic Generation得到的特征和hash尽量相同，
    • 因此监督信号做feature learning的时候还对提取feature和生成feature的相似性做约束，
    • 对提取hash和生成hash的相似性做约束

其中，图像的特征提取网络作者试用了CNN-F和VGG16（VGG16更优），文本特征提取则是一个新的多尺度融合模型：

image

• 输入：文本，转为一个词袋向量，由于词袋向量非常稀疏，需要转化为一个相对稠密的向量
• 网络：T->Multi-scale Fusion->4096->512->N
• 输出长度为N的向量，N=K+c，K为哈希码长度，c为label的类别个数
• Multi-scale Fusion：
  • 5个average pooling layer(1x1,2x2,3x3,5x5,10x10)+1个1x1conv

训练Loss与前面的Semantic Generation很像

image

但又与之前的模型不同，这里的监督信号有标签和标签生成的特征，而之前的监督信号就是输入本身。

其中

• $$\Delta_{ij}^{l=\frac{1}{2}(F_i}{l})^\top(F_j{v,t}) $$，即样本i的标签label生成的特征和样本j的输入（图/文）提取的特征的余弦相似度，目标是使提取的特征和生成的特征尽量相近
• $$\Gamma_{ij}^{l=\frac{1}{2}(H_i}l)^\top(H_j{v,t}) $$，即样本i的标签label生成的hash和样本j的输入（图/文）提取的hash的余弦相似度，目标是使提取的hash和生成的hash尽量相近

Adversarial learning

• Motivation:不同模态提取的特征会有不同的分布，希望相同语义的对象在不同模态里的特征表达尽量接近
• Solution:加入判别器D，希望D能区分特征是来自Feature Learning还是Semantic Generation，D越强大，越能区分两种特征，要欺骗D，就迫使Feature Learning和Semantic Generation得到的特征尽量相近

image

• 判别器D的网络结构：F->4096->4096->1
• 每个样本(图+文+label)产生3个特征 $$(𝑥𝑖^𝑣,𝑥𝑖^{𝑡,𝑥_𝑖}𝑙)$$
• 输入：图/文特征+生成特征 $$(𝑥𝑖^𝑣, 𝑥𝑖^𝑙 )$$ 或$$ (𝑥𝑖^𝑡,𝑥𝑖^𝑙)$$
• 输出： $$(𝑦𝑖^𝑣, 𝑦𝑖^𝑙 )$$ 或 $$(𝑦𝑖^𝑡, 𝑦𝑖^𝑙 )$$ ，即输入向量是否来自生成特征
• 监督信号： $$𝑦𝑖^𝑣$$ 或 $$𝑦𝑖^{𝑡=0$$，$$𝑦_𝑖}𝑙=1$$
• 判别器的损失函数：

image

即最小化判别器的预测误差

Training

• 于是我们有了特征生成Loss:
  $$\mathcal{L}_{gen}=\mathcal{L}^{v+\mathcal{L}}t+\mathcal{L}^l $$

图像特征提取loss+文本特征提取loss+标签生成loss

• 以及对抗loss
  $$\mathcal{L}{adv}=\mathcal{L}^v{adv}+\mathcal{L}^t_{adv} $$

• 我们的优化目标是：
  $$(B,\theta^{{v,t,l})=argmin_{B,\theta}{v,t,l}}\mathcal{L}{gen}(B,\theta^{v,t,l})-\mathcal{L}{adv}(\hat{\theta}_{adv}) $$

在最优的判别器参数 $$\hat{\theta}_{adv}$$ 下，最小化特征的生成Loss

以及

$$\theta_{adv}=argmax_{\theta_{adv}} L_{gen}(\hat{B}, \hat{\theta}^{v,t,l})-L_{adv}(\theta_{adv}) $$

在最优生成器参数 $$\hat{B}, \hat{\theta}^{v,t,l} $$下，最小化判别器的识别误差 $$L_{adv} $$

• 具体实现上，分为四步迭代进行优化：
  • Label自监督生成特征
  • 图像分类器feature learning
  • 文本分类器feature learning
  • 判别器训练

于是SSAH的工作机制就梳理完毕了

方法评估

生成的Hash效果是否足够好，通常由Hamming Ranking和Hash Lookup来评估，在论文中，作者还对模型本身做了Training efficiency，Sensitivity analysis，Ablation study的实验评估。

• Hamming Ranking

  • 按照哈希码海明距离进行Ranking，计算mAP

    
    image

可以看到使用VGG作为图像基础网络时，SSAH准确率领先其他方法很多。

• Hash Lookup

  • 海明距离小于某个值认为是正样本，这个值称为Hamming Radius，改变Radius可以改变Precision-Recall的值，于是可以得到P-R曲线，P-R曲线与坐标轴围成的面积越大，说明效果越好

    
    image

SSAH的PR曲线基本都是在其他模型的曲线之上

• 对Ranking的结果计算TopN的命中率（不过这个文中好像没讲）

• Training efficiency

  • 达到相同的效果所需训练时间

    
    image

相对于另一种深度学习方法DCMH，SSAH只要比较短的时间就能得到比较好的效果

• Sensitivity analysis

  • 超参数改变时的结果变化

    
    image

可以看到，超参数变化时，准确率依然能维持在比较高的水平

• Ablation study

  • 去除不同组件对效果的影响

    
    image

其中，
SSAH-1: remove LabNet
SSAH-2: TxtNet改成三层全连接
SSAH-3: 去掉对抗网络
可以看到在I2T任务中，标签生成网络是很重要的，在T2I任务中对抗网络的效果更明显。

Summary

SSAH中最妙的两点是，用Label生成特征和哈希来监督feature learning，加入对抗学习来拉近不同模态特征的相似性，模型的思路足够清晰，容易复现，有很多值得学习的东西。