May, 2016

利用视觉问答进行图像字幕排名

TL;DR本研究将视觉问题回答任务视为“特征提取”模块,提取图像和标题的表征,以此为基础对图像-标题进行排序并提出融合模型提高图像-标题匹配一致性的表现。实验发现,该模型在MSCOCO数据集上的字幕检索提高了7.1%,图像提取提高了4.4%。