最近的图片caption真的越来越火了，CVPR ICCV ECCV AAAI很多顶级会议都有此类的文章，今天我来讲一篇发表在AAAI的文章，因为我看了大量的论文，最近感觉AAAI越来越水了。所以这篇文章相对还是比较简单的。很遗憾，我向作者要源码。作者也没理我，不开心。。
Caption：
说简单点，就是给你一张图片，然后系统自动生成一句话或者若干句话去描述它。比如这样：
Give a image:
You will get : A beautiful girl stood in the corridor…..(当然如果加上知识图谱可能会出现，miss cang stood in the corridor…哈哈，小猥琐了一下，大家不要介意)
正常我们做captions 都是在coco数据集上做的，这是他们做出的效果：
不过从结果上来说还是很不错的，不过谁知道呢。。。图像描述人都不一定能说全。。。
本文的框架图：
给一张图片我们分别用cnn和local-faster cnn 抽取他们的全局特征(Gf)与局部特征(Lf)。然后用下面的公式1把它集成起来：
公式1：
s.t 
就是局部特征与全局特征的权重，当然这个怎么求呢。我们就用到了attention机制（来自于机器翻译里），这个机制最近用的很多啊。
（快告诉我这个是不是LSTM的cell细胞，我读书少你别骗我。。哈哈）
这张图写在这里感觉就是废话，就是RNN 与LSTM的对比。
目标就是训练：
，就是就是可能性最大的跌乘。
损失函数就是最常用的最大似然损失函数：
。
这些都不是创新点，没什么好说的。
综上，这篇文章最大的创新点就是那个attention 机制和那个抽取局部特征的的RCNN。这样就上了AAAI。。。。我很难想通。。。哈哈。但是话又说回来了，这不就是大道至简吗?