读论文系列:CVPR2018 Self-Supervised Adversarial Hashing Networks for Cross-Modal Retrieval

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),

  • 是根据label生成的hash,
  • 是由hash执行sign操作得到的二进制码
  • 是由特征还原回来的label
  • 是原本的label
  • ,即样本i和样本j的label生成的特征的余弦相似度
  • ,即样本i和样本j的label生成的特征余弦相似度
  • 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 ,

所以,实际上这个loss和交叉熵loss是等效的

时,

最大化两个向量的余弦相似度

时,

最小化两个向量的余弦相似度

  • 对于 同理,从而约束了相似的label具有相似的hash

  • 对于 , 使 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 , 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

  • ,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
  • ,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
  • 输入:图/文特征+生成特征
  • 输出: ,即输入向量是否来自生成特征
  • 监督信号:
  • 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:

图像特征提取loss+文本特征提取loss+标签生成loss

  • 以及对抗loss

  • 我们的优化目标是:

在最优的判别器参数 下,最小化特征的生成Loss

以及

在最优生成器参数 下,最小化判别器的识别误差

  • 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。

results matching ""

    No results matching ""