CNCC2017中的深度学习与跨媒体智能

转载请注明作者：梦里茶

目录

• 机器学习与跨媒体智能
  • 传统方法与深度学习
    • 图像分割
    • 小数据集下的深度学习
    • 语音前沿技术
  • 生成模型
    • 基于贝叶斯的视觉信息编解码
    • 珠算：基于别噎死推断的深度生成模型库
    • 图像与视频生成的规则约束
      • 景深风景生成
      • 骨架约束的人体视频生成
  • 跨媒体智能
    • 视频检索的哈希学习
    • 多媒体与知识图谱
    • 基于锚图的视觉数据分析
    • 视频问答
    • 细粒度分类
    • 跨媒体关联与检索（待补充）

正片开始

传统方法与深度学习

图像分割

图像分割是医疗图像中一个很重要的任务，通常分为分割，配准，可视化几个子任务。这里贴一张广义的图像分割的图：

p3-segment.jpg

存在的困难：

• 不同目标区域亮度一致，区分度小，
• 不同目标区域边界模糊，
• 图像采集存在噪声

常用分割步骤

检测（定位）-> 边界寻优

常用分割方法

• 按照图像中区域的能量与联系，建立图模型，用图割，图搜索的方法对图像进行分割
• 外观模型：特定的目标区域往往具有特殊的外观，包括轮廓，形状，可以用外观模型进行匹配，做粗粒度的分割，或者对细粒度处理后的图像进行校正
• 多模态图像处理：融合结构信息和功能信息进行分割
  • 对准两个模型（结构和功能）的图像，对两个模型的预测结果进行约束（比如希望两个模型的输出相近）
  • 双模型交互迭代优化
• 多边形近似
  • 对于某种目标区域，有着固定的多边形外观，可通过多边形近似的方法，标记出图像中近似的特征点

语音前沿技术

任务

降噪，增强，杂音分离，消除回响

结合领域知识和DNN

• 数据标注：结合领域知识提出需要标注哪些数据
• 不直接学习目标，而是根据领域知识将目标任务进行分解
  • 比如识别字母，分解为识别摩擦音，爆破音
• 将传统模型中里程碑式的东西拿过来用

移动端语音挑战

模型压缩，轻量化

生成模型

基于贝叶斯的视觉信息编解码

任务

• 视觉信息编码：视觉信息通过人脑转为神经活动的过程
• 视觉信息解码：神经活动新号转为视觉信息的过程

模型（基于卷积和反卷积的自编码器）

• 推理网络：卷积神经网络，得到中间特征，建立中间特征与神经活动信号之间的关联，从而得到神经活动得到编码
• 生成网络：将神经活动进行反卷积，得到图像
• 对于两个信号，学习两个信号产生于同一对象的概率（相似度分析），建立起一个贝叶斯推断模型

多视图生成式自编码器

除了视觉数据之外，还有其他模态的数据，可以根据多个模态的数据构建多视图的生成时自编码器

珠算：基于贝叶斯推断的深度生成模型库

任务

大数据中有许多不确定因素，需要学习对不确定性建模

模型

p9_zhusuan.png

给定一个输入z，用神经网络学习变量x的分布的参数（均值和方差），约束生成样本与真实样本的相似性

有约束的GAN

p10_gan.png

在GAN的基础上，加一个分类器C，对生成器G生成的对象加中间约束，使得生成的对象更符合实际需求，比如生成不同姿态的人脸，要求不同人的人脸尽量不同，同个人的人脸尽量相同。

珠算

• 基于Tensorflow的python库，无监督生成模型
• 贝叶斯推断
• 适合传统多层贝叶斯推断模型以及深度生成模型
• 可用于
  • 多变量回归
  • 变分自编码器实现
• http://zhusuan.readthedocs.io

图像与视频生成的规则约束学习

• GAN成为无监督领域的新框架

  • WGAN，DCGAN
  • 在生成中，往往通过随机性引入创意

• 已有工作

  • 人脸姿态转换，人脸年龄转换，人脸表情转换
  • 图像超分辨率生成，画风转换，字体转换，图像转视频

• 应用

  • 动画自动制作，手语生成
  • 视频自动编辑（如生成不同天气情况下的风景）

• 创意+规则约束+复杂场景+复杂交互

• 难点

  • 解空间巨大：需要找出解所在的低维子空间
  • 宏观结构的一致性（视频生成需要的像素感受野（pooling）很大，难以预测长期运动变化）
  • 微观结构的清晰度，要同时逼近多模分布，避免单模生成的结果不够精确

• 解决方法

  • 用领域中的规则去约束GAN，加入破坏规则的代价
  • 缩小预测空间，保证宏观结构，加快细节生成

景深风景生成

• 难点：要求空间结构合理，不能有严重的模糊
• 约束：从现有风景图像中对景深关系建模（对区域进行标注， 不同区域，即图层，有不同的远近限制）
• 建立位置和对象的关系，得到某个位置有某个对象的概率分布
• Hawkes过程模型
• 根据对象对图层做分解，由概率约束建立图层约束（树在人之前的概率有多大）
• 层内DCGAN，层间LSTM聚合出整图

骨架约束的人体视频生成

• 骨架运动有约束
• 骨架提取很鲁棒，可以得到很多有标签知识（传统方法用来提取知识），作为约束条件
• 静图+动作序列变动图
• CNN编码解码，孪生网络双输入进行生成
• 判别器：对生成和实际帧做Triplet loss优化
• gan loss和视频相似度loss相加
• 交互运动视频生成

视频检索的哈希学习

Learning Multifunctional Binary Codes for Both Category and Attribute Oriented Retrieval Tasks

视频检索基于图像检索，大规模图像检索对性能要求较高

• 图像检索
  • 任务：通常图像特征很大，直接检索特征太慢
  • 方法：
    • 用二进制编码出一个哈希值来表达特征
    • 对哈希值做高效的异或运算求相似度
    • 模型（添加了对二进制编码的约束，希望绝对值与1尽量相近）：

p17_hash.png

多媒体与知识图谱

Cross-media analysis and reasoning: advances and directions

• 任务：

  • 将文本，图像，语音，视频及其交互属性进行混合
  • 多源融合+知识演化+系统演化

• 难点：

  • 解决语义鸿沟（机器认识世界是什么）
  • 意图鸿沟（机器理解人要达到什么目标）
  • 离散的知识和连续的特征如何转化如何关联

• 典型问题：

  • 跨媒体知识学习推理，多媒体情感分析

• 现状：

  • 机器学习助力多媒体效果很好
  • 多媒体助力机器学习还不成熟

• 任务：

  • 跨媒体深度分析和综合推理

• 方法：

  • 从浅层到深度
  • 知识图谱指导多媒体分析，属性补全
  • 深度学习+反馈（知识和规则进行反馈/强化学习）（黑箱方法）
  • 统计推理，贝叶斯推理（白盒方法）

• 趋势：

  • 知识表达理解，多媒体理解

基于锚图的视觉数据分析

• 图学习
  • 对视觉数据可以计算相似度，对于整个数据集就可以得到一个相似度矩阵，学过图论的同学都知道，矩阵就是图
  • 相似度矩阵 -> 图的邻接矩阵 -> 用图的方法对邻接矩阵进行优化
  • 标号建模 标号平滑 标号学习
• 锚图学习（速度+）
  • 这是一种coarse to fine的思路
  • 利用数据点图，生成锚点图，先采一部分有代表性的数据（例如聚类中心）生成一个图模型，然后推理出其他图
  • 图模型中需要建立表示矩阵（特征工程），邻接矩阵（度量学习），并加快相似度计算
• 高效锚图（性能速度+）
  • 从数学上优化锚图的约束条件，使得优化问题的复杂度大大降低
• 层次化锚图（速度++）
  • 建立多层的锚图，也就是对采样点再采样
  • 锚点是线性增加的，也会增加得很快
  • 对第一层采样的点做再采样，多层采样减少了锚点数目，从最少的锚点的层逐层推理
• 标号预测器（速度+++）
  • 优化对锚点的标号（打伪标签进行半监督学习）
  • 对最小的锚点层接一个优化器进行标号预测
• 主动学习（样本选择）
  • 是一种hard mining的思路，选择更有用的样本作为锚点
  • 减小标号的误差损失
• 对比Google Expander Graph Learning平台：经典方法，并行运算，而锚图可以通过并行进一步提升速度

视频问答

• 任务：
  • 输入视频，问题，输出答案
• 模型（层次记忆网络+视频时序推理）：
  • 对图像进行分层
  • 对问题进行记忆
  • 用文本和图像特征一同训练生成答案
  • 用LSTM做时序推理

细粒度分类

• 任务：
  • 识别图像同一大类中的子类
• 挑战：
  • 姿态视角不同导致类内差异大，外形颜色相似导致类间差异小

基于模型动态扩容的增量深度学习方法

论文：Error-Driven Incremental Learning in Deep Convolutional Neural Network for Large-Scale Image Classification

• 将目标的多个类别按相似度划分为几个大类，
• 增加一个新的类别时，将其归入最相近的大类中，重用大类的参数，扩展小类分类层参数

• 利用类别子集合划分实现模型动态扩容，利用特征迁移学习实现训练加速（对类别做聚类）

  
  p23_incremental.png

局部两级注意力深度模型

The Application of Two-level Attention Models in Deep Convolutional Neural Network for Fine-grained Image Classification

给定图片-类别，不给出对象位置（bounding box）和局部的位置(part location)，用Attention学习对象位置和局部特征

• Object level: 首先用公开的数据集预训练模型，top-down地作用在整图上，选出跟目标相关的区域（响应度最高的区域），相当于抠图，对抠过的区域再加上类别标签进行迁移学习。

p25_object.png

• Part level:
  • 对于Object level得到的模型，对卷积层的filter做相似度聚类，同一类的卷积层合为一个part detector，用来为具体的对象局部做识别

p25_local.png

• 结合总体评分和局部评分来对对象做细粒度分类

空间约束的显著性部件选择模型

Weakly Supervised Learning of Part Selection Model with Spatial Constraints for Fine-grained Image Classification

• 显著性提取和协同分割定位对象
• 先通过显著性聚类提出备选局部，

• 再对局部位置关系提出两个空间约束：局部和整体必须有尽可能多的重叠，局部之间有尽可能少的重叠。

  
  p26_constraint.png

上面两篇都是不需要局部组件的标注，就学到了局部的特征和约束

显著性引导的细粒度辨识性定位方法

Fine-grained Discriminative Localization via Saliency-guided Faster R-CNN

结合分类模型和检测模型做更高精度的细粒度分类

• 显著性模型提供弱标记的图片训练faster r-cnn检测模型
• 检测模型提供更精确的备选区域进行分类

p27_rcnn.png

视觉文本联合建模的图像细粒度表示

Fine-grained Image Classification via Combining Vision and Language

• 在图片数据集的基础上，增加对图片的描述文本，利用这两个模态的数据提供更高精度的细粒度分类
• 卷积做图像分类，CNN+LSTM做文本分类，两个分类结果合起来

p28_vt.png

跨媒体关联与检索

• 跨媒体统一表征学习：使用相同的特征类型表征不同媒体的数据
• 跨媒体相似度计算：通过分析跨媒体关联关系，计算不同媒体数据的语义相似性

这里的六篇论文我还没读完，读完之后补具体的理解

跨媒体关联传递方法

IJCV2013： Exhaustive and Efficient Constraint Propagation

基于稀疏和半监督的统一表征方法

Learning Cross-Media Joint Representation With Sparse and Semisupervised Regularization

基于跨媒体语义单元的统一表征方法

Semi-Supervised Cross-Media Feature Learning with Unified Patch Graph Regularization

基于跨媒体多深度网络的统一表征方法

Cross-media Shared Representation by Hierarchical Learning with Multiple Deep Networks

基于多粒度层级网络跨媒体关联学习方法

CCL: Cross-modal Correlation Learning with Multi-grained Fusion by Hierarchical Network

跨媒体混合迁移网络方法

Cross-modal Common Representation Learning by Hybrid Transfer Network, IJCAI2017

跨媒体检索数据集PKU-XMedia

• www.icst.pku.edu.cn/mlpl/XMedia
• 五种媒体类型（图像、文本、视频、音频、3D）
• 10万标注数据，200个语义类别，基于wordNet的层次结构
• 来自Wikipedia, Flickr, Youtube, Findsounds, Freesound, Yobi3D