学习报告：film: visual reasoning with a general conditioning layer-z6尊龙旗舰厅

本篇学习报告的内容来自《film: visual reasoning with a general conditioning layer》，该文章收录于aaai 2018。文章提出了一种特征层面的线性调节方式，在视觉推理(visual reasoning)任务中有很好的效果，可以用于特征合并，例如处理模型的多输入问题。插入film的模型有能力进行各种visual reasoning，包括计数，比较，等等。在某种程度上，可以将film视为使用一个网络生成另一个网络的参数，使其成为超网络的一种形式。

1. 研究背景

visual reasoning（视觉推理）指对图片信息进行分析，并做出一定的推理。其重点在于对于图片内容有逻辑上的理解。例如，普通分类器能够分出图片上是个球还是正方体，而visual reasoning需要做的任务是数出图片中有多少紫色的球，多少黄色的正方体。再比如，一张图片中有一个黄色大正方体，一堆不同颜色的小正方体、小球，小圆柱体，visual reasoning需要找出与大正方体颜色相同的小物体的颜色。概括来说，给出一幅图片和一个问题，visual reasoning就是根据图片回答问题。但是，视觉推理这个任务对普通的深度学习方法来说比较困难，属于一个多步骤、高层次的过程。而film层在clevr的基准上提高了精度，对具有挑战性

2. 实验模型与方法                                                                                              

（1）方法

film层通过学习，自适应性地用仿射变换（线性变化＋平移，ax＋b x和b为向量）影响着网络的输出。具体来说，film对于输入学习两个函数f和h，并输出γ_i,c和​β_i,c​ ：

下标表示第i个输入的第c个特征。用f_i,c表示网络的activation，γ和β通过特征仿射变换调节神经网络的激活f，可以表示为：

γ_i,c = f_c(x_i) β_i,c = h_c(x_i), (1)

f和h可以是任意函数，比如两个神经网络。实际应用中，这两个函数可以看作一个函数，输出一个向量，因为f和h​共享参数对训练有帮助。这个合体后的函数就称作film generator。整个大网络模型叫做feature-wise linearly modulated network（film-ed network）。film generator可以对film-ed network的feature maps特征图进行操作(放缩、提高或者下降域值（当跟在relu后边时候）)。对于cnn来说f和h根据不可知的空间位置，调节激活每个特征图分布。

film(f_i,c|γ_i,c, β_i,c) = γ_i,cf_i,c β_i,c. (2)

（2）模型

一个cnn的单一film层如图1所示。

将问题用gru编码后得到的表示作为film的输入，通过两个神经网络学习（和）得到缩放和偏差，接着对cnn学到的中间特征做仿射变换。γ和β的各种组合可以以各种方式调节单个特征图。film会插入到每一个resblock中，对每一层cnn学到的特征进行modulation。点表示阿达玛德积。阿达玛德积不同于传统矩阵相乘计算方式，它是对应矩阵元素相乘，值得注意的是两个相乘的矩阵必须行列数相同。film模型如图2所示。

阿达玛德积运算过程如图3所示。

figure3：hadamard product

  film模型由一个film生成语言管道和一个film生成视觉管道组成。即两个部分：理解问题(nlp),理解图片(cv)。

• nlp部分：首先对于一个输入问题x_i，使用gru网络来学习其语义信息。最后一层gru是question embedding，模型对第n个残差模块通过仿射变换预测(γ_iⁿ，β_iⁿ)。生成器使用门通循环单元(gru)网络处理一个问题，该网络包含4096个隐藏单元，其中包含已学习的200维单词嵌入。最终的gru隐藏状态是一个问题嵌入，模型从中进行预测。
• cv部分：同时，模型也会从输入图片中利用特征提取器（比如cnn）提取信息，一起加入到残差模块中进行学习。 可视管道从调整大小的224×224image输入中提取128个14×14image特征图，使用从头训练的cnn或使用固定的，预先训练的特征提取与学习层3×3的卷积。 从头开始训练的cnn由4个层(每个层有128个4× 4核)、relu激活和批处理归一化组成。固定的特征提取器输出在imagenet 上预先训练的resnet101 的conv4层，以匹配先前在clever上的工作。利用128个特征图和一个分类器，我们的模型- film-ed残差块(resblocks)由4个图像特征块进行处理。该分类器由1×1卷积到512个特征映射、全局最大池和带有1024个隐藏单元的两层mlp组成，该mlp对最终答案输出softmax分布。

3. 实验

实验部分可查看原文。

论文：https://arxiv.org/abs/1709.07871

代码：https://github.com/ethanjperez/film

4. 实验结果与总结

film在clevr数据集上达到了新的整体水平，超过了人类和以前的方法，其中包括那些使用明确的推理模型推理、监督学习又或是数据增强的方法。该结构由于其良好的鲁棒性，以及小样本环境下的能力，被应用到一些小样本分类工作中。比如simple cnaps，一种改进小样本视觉分类的方法，在特征提取部分就使用了resnet18 film层。另外，该模型只是一层网络结构，故没有太多耦合问题，可以自己搭积木，应用到不同网络中去。

撰稿人：杨叶泽盛

审稿人：李景聪