Visual Question Answering as a Meta Learning Task
ECCV 2018
2018-09-13 19:58:08
1. Introduction:
本文提出一种新的 VQA 思路，将 meta-learning 结合进来，通过支持集的形式（Support Set），让神经网络学会学习。
本文核心的技术贡献是：提供一种顶尖的 VQA模型到 meta-learning 的设定下。the resulting model 是一个深度神经网络，利用 dynamic parameters，也被称为 fast weights，依赖于 support set 在测试时决定的。
the resulting system 的一个能力是：学会产生完全新颖的答案（在 training data 中从未出现的回答）。另外一个能力是处理 rare answers 能力。因为 VQA 是严重的类别不均衡。
本文的贡献是：
1. 将 VQA 看做是 meta-learnig 的问题，在测试时，提供一个 support set 进行模仿；
2. 描述了一个神经网络结构 以及 训练过程，能够结合 meta-learning 的场景；
3. 能够产生新颖的答案。对于 rare answers 能够很好的处理，更好的采样效率；
2. VQA in a Meta Learning Setting :
1）传统的 VQA 模型：
Image I, Question Q, 答案集合 A；
2）拓展到meta-learning 应用场景下：
带有 support set S， the support set S can include novel examples S' provided at test time; S = T U S' ;
3. Proposed Model:
作者将 VQA 系统分为两个部分：第一个部分就是感知，the embedding part that encodes the input question and image；第二个部分就是，the classifier part that handles the reasoning and actural question answering；
3.1. 非线性映射 $f_{theta} (*)$ ：
非线性映射的作用是：将问题/图像 h 的 embedding 映射到适合 classifier 的表示（is to map the embedding of the question/image h to a representation suitable for the following classifier）。
我们采用 paper 【34】的设置，利用 a gated hyperbolic tangent layer, 定义为：
其中，$delta$ 是逻辑激活函数，W, W', b, b' 都是可学习的参数，圆圈代表了元素级相乘。我们将这些参数统一表达为 $ heta$，传统方法就是用 BP 算法以及 梯度下降的方法进行训练，这样他们得到的就是 static 的参数。而本文所提出的方法，在测试的时候，依赖于 the input h 以及 the available support set，自适应的进行参数的调整。具体的，我们利用 static parameter $ heta^s$，以及 测试时候的动态参数 $ heta^d$。其线性组合为：
其中，w 是学习权重的向量。动态权重 可以看做是根据输入 h，对 static weights 进行的调整（the dynamic weights can therefore be seen as an adjustment made to be the static ones depends on the input h）。
候选动态权重的集合，被保留在 associative memory M 中。该 memory 是一个关于 key/value pair 的集合（跟支持集一样大）。在测试的时候，我们从该 memory 中提取出合适的动态权重，通过 soft key matching:
其中，$d_{cos}$ 代表了余弦相似度函数。所以，我们得到的是一个加权的 sum，用的是 输入 h 和 memory keys $h_i^~$ 之间的相似度来加权 the memory values。
Mapping to Candidate Answers :
未完，待遇 。。。
==