![先行研究：Caption生成
● LSTMとCNNを組み合わせることで、Caption生成は飛躍的に進歩
● Encoder-Decoderモデルが主流
○ 画像をCNN等で特徴量に一度エンコードする
○ 特徴量を入力として、文章をデコードしていく
● 最尤推定ベース Show and tell: A neural image caption generator[Vinyals+ 2015]
単語のone-hot vector
次の単語の
確率分布
学習データ
より近づくように
学習する
6
● Grey cow walking in a large
green field in front of house
● A cow in a large open field with
a house in the background
● A cow standing in a large open
grass field
A cow standing in a
field next to houses](https://image.slidesharecdn.com/cviccv2017-171216023700/85/CV-ICCV2017-Towards-Diverse-and-Natural-Image-Descriptions-via-a-Conditional-GAN-6-320.jpg)
![GAN
● Generative Adversarial Networks[Goodfellow+ 2014]
○ 画像生成などで使われる生成モデル
○ 二つのネットワークが敵対的に学習することで自然な画像などを生成できる
■ 画像が生成されたものか、自然なデータかを判定する Discriminator
■ 画像を生成して、DiscriminatorをだまそうとするGenerator
10図はhttps://elix-tech.github.io/ja/2017/02/06/gan.htmlより引用](https://image.slidesharecdn.com/cviccv2017-171216023700/85/CV-ICCV2017-Towards-Diverse-and-Natural-Image-Descriptions-via-a-Conditional-GAN-10-320.jpg)
![Conditinal GAN:
● Conditional Generative Adversarial Nets[Mirza+ 2014]
○ 通常のGANは複数のクラスの画像を学習データを与えて学習した GANを
用いて、特定のクラスの画像だけを生成することができない
○ 学習の際に、GeneratorとDiscriminatorにconditonal variableを与えることで解決
11
https://www.slideshare.net/nmhkahn/generative-adversarial-network-laplacian-pyramid-ganより引用](https://image.slidesharecdn.com/cviccv2017-171216023700/85/CV-ICCV2017-Towards-Diverse-and-Natural-Image-Descriptions-via-a-Conditional-GAN-11-320.jpg)
![Policy GradientとSeqGAN
● Seqgan[Zhou+ 2017]
○ Discriminatorは従来通り学習+Generatorは強化学習として学習
(Seq生成のPolicyを学習させる)
■ GのSeqの生成結果(例えば単語)をActionの選択ととらえる
■ Dの判定結果をrewardとしてGeneratorに与える
■ Gはrewardの最大化問題としてとく
13
単語
(action)
の確率
単語
(action)
の確率
単語
(action)
の確率
単語 単語 単語
判定結果
(本物と判断
したスコア)](https://image.slidesharecdn.com/cviccv2017-171216023700/85/CV-ICCV2017-Towards-Diverse-and-Natural-Image-Descriptions-via-a-Conditional-GAN-13-320.jpg)
CV勉強会ICCV2017読み会：Towards Diverse and Natural Image Descriptions via a Conditional GAN
- 1. 論文紹介 Towards Diverse and Natural Image Descriptions via a Conditional GAN 2017/12/16 @CV勉強会 酒井 俊樹
- 2. 自己紹介 名前：酒井 俊樹 所属：NTTドコモ R&Dセンター サービスイノベーション部 仕事：Deep Learningを使ったAPI/サービスの研究開発 ● 画像認識のAPI開発/法人様向けソリューション提供 ● 動画解析機能開発 ● 最近は言語系の処理や時系列データにも手を 本発表は個人で行うものであり、所属組織とは関係ありません。 2
- 3. 論文概要 Towards Diverse and Natural Image Descriptions via a Conditional GAN ● 著者：Bo Dai et al. ● The Chinese University of Hong KongとUniversity of Torontoの研究 概要 ● キャプション生成向けの新しいGANベースのワークフローを提案 ● 生成される文章の自然さ、バリエーションが増す 3
- 4. キャプション生成 入力画像に対して、その画像を適切に表現する文章を生成する ● Grey cow walking in a large green field in front of house ● A cow in a large open field with a house in the background ● A cow standing in a large open grass field ● A train pulling into a station outside during the day ● A passenger train moving through a rail yard ● A long passenger train pulling up to a station 4
- 5. モチベーション：より自然なCaptionを生成したい 現状使われているCaptionの生成技術/評価手法では ● 人よりもDeep Learningベースの 手法の方が高精度 ● Deep Learningベースの 従来手法は同じような文章ばかり 従来の評価手法 従来手法 5
- 6. 先行研究：Caption生成 ● LSTMとCNNを組み合わせることで、Caption生成は飛躍的に進歩 ● Encoder-Decoderモデルが主流 ○ 画像をCNN等で特徴量に一度エンコードする ○ 特徴量を入力として、文章をデコードしていく ● 最尤推定ベース Show and tell: A neural image caption generator[Vinyals+ 2015] 単語のone-hot vector 次の単語の 確率分布 学習データ より近づくように 学習する 6 ● Grey cow walking in a large green field in front of house ● A cow in a large open field with a house in the background ● A cow standing in a large open grass field A cow standing in a field next to houses
- 7. 先行研究：Caption生成における目的関数/評価手法 ● 「生成文」と「教師文」との間のn-gramの一致度を比較する手法が主流 ○ BLEU, ROUGE, METEOR, CIDEr … ○ 教師の文とよりn-gramが一致しているほど、点数が上がる ○ 2gramの例 ■ 教師文1:This is a building on the corner of Trinity and 4th Street. →”This is”, “is a”, “a building”, “building on”, “on the”, “the corner”, “corner of”, “of Trinity”, “Trinity and”, “and 4th”, “4th Street” ■ 教師文2:A street sign on a street and a building with many windows behind it. →”A street”, “street sign”, “sign on”, “on a”, “a street”, “street and”, “and a”, “a building”, “building with”, “with many”, “many windows”, “windows behind”, “behind it” ■ 生成文: A street sign in front of a building →”A street”, “street sign”, “sign in”, “in front”, “front of”, “of a”, “a building” ■ Pn = 一致するn-gram/生成文のn-gramの長さ=3/7 7
- 9. 提案手法概要 Conditional GAN + policy gradientを組み合わせたCaption生成器 9 文章を生成するところ →先行事例と同じような形に見える
- 10. GAN ● Generative Adversarial Networks[Goodfellow+ 2014] ○ 画像生成などで使われる生成モデル ○ 二つのネットワークが敵対的に学習することで自然な画像などを生成できる ■ 画像が生成されたものか、自然なデータかを判定する Discriminator ■ 画像を生成して、DiscriminatorをだまそうとするGenerator 10図はhttps://elix-tech.github.io/ja/2017/02/06/gan.htmlより引用
- 11. Conditinal GAN: ● Conditional Generative Adversarial Nets[Mirza+ 2014] ○ 通常のGANは複数のクラスの画像を学習データを与えて学習した GANを 用いて、特定のクラスの画像だけを生成することができない ○ 学習の際に、GeneratorとDiscriminatorにconditonal variableを与えることで解決 11 https://www.slideshare.net/nmhkahn/generative-adversarial-network-laplacian-pyramid-ganより引用
- 12. 通常のGANの誤差伝搬 ● DiscriminatorからGeneratorに誤差を伝搬 ● 文章の生成には不向き ○ 文章生成→単語の確率分布から確率が高い単語を選択 (argmaxを取る)→誤差が伝搬しない Dの学習ステップ max D min D Gの学習ステップ 誤差の伝搬計算には使うが、 重みは更新しない(freeze) 生成された データ 12
- 13. Policy GradientとSeqGAN ● Seqgan[Zhou+ 2017] ○ Discriminatorは従来通り学習+Generatorは強化学習として学習 (Seq生成のPolicyを学習させる) ■ GのSeqの生成結果(例えば単語)をActionの選択ととらえる ■ Dの判定結果をrewardとしてGeneratorに与える ■ Gはrewardの最大化問題としてとく 13 単語 (action) の確率 単語 (action) の確率 単語 (action) の確率 単語 単語 単語 判定結果 (本物と判断 したスコア)
- 14. SeqGANのその他の工夫：Monte carlo探索 ● 最終の生成結果だけでなく、途中の Actionの選択に対しても報酬を与えたい (最後のaction選択にしかrewardを渡せない→勾配が消失する可能性がある ) →各ステップTからMonte carlo探索でSequenceを生成し、それぞれを Dに入力 →各ステップでの報酬とする 14
- 15. 提案手法概要 Conditional GAN + policy gradientを組み合わせたCaption生成器 15 文章を生成するところ →先行事例と同じような形に見える Conditional Variableとして 画像特徴を入力 GANのノイズを入れる所 Evaluator Deiscriminatorの代わり。 rewardを計算 ドット積 - 二つのベクトルのノルムが1の時 - ベクトルが位置しているときは1 - 直行しているときは0 - 逆向きのときは-1
- 16. 提案手法の全体像 ● 目的関数 ○ Generator: 以下のrewardを最大化する ■ 勾配を計算すると ○ Evaluator(Discriminator): 以下のlossを最小化する 16 I: 画像データ z: ノイズ s: 生成された単語 T: センテンスの長さ η: Evaluatorのパラメータ θ: Generatorのパラメータ SI : 人が画像Iに対してつけたキャプション SG : 機械が生成したキャプション SI : 人が他の画像に対してつけたキャプション rη : 画像とキャプションの一致度
- 17. 実験 ● データセット ○ MSCOCO ■ 学習データ:82, 081枚 ■ 5文/画像 以上のキャプション ○ Flciker30k ■ データ数: 31,793枚 ■ 5文/画像 以上のキャプション ○ それぞれ1000枚ずつを、評価データ /テストデータとして利用 ● 事前準備 ○ 出現回数が5回より小さい単語はUNKに置き換え ○ 大文字は小文字に統一 17
- 18. 学習 ● ネットワーク構造 ○ CNN部分はVGG16を利用(imagenetで事前学習?) ■ fc7層を特徴量として利用 ○ z(ノイズ)は1024次元 ● 事前学習 ○ Gは既存のBLEUを使った教師あり学習で事前に 20epoch学習 (Show and Tellの手法。以後G-MLEと呼ぶ) ○ その後Eを事前に5epoch分学習 ● 学習時はGとEを交互に更新 ● その他 ○ mini-batch size: 64 ○ 学習率: 0.0001 ○ Monte Carlo探索は16個でbeam serch 18
- 19. 結果① ● 既存の手法は人を高く評価できない→センテンス全体の質を評価できていない ● E-GANは人を高く評価しており、既存の評価方法以上の評価関数が学習できてい る？ 19 既存の評価手法 提案手法のEGを事前学習後のまま更新 せず、Eをのみを更新 →G-MLEとhumanを見分けるよ うに学習したもの ←Show and Tell ←提案手法のG
- 20. 結果②：生成された文を人が評価 ● 30人の人にどちらの文章が良いか選択を依頼 ● G-GANは既存手法より、より人に近いものが生成できている ● 既存手法は同じような画像に同じような文章を生成しやすい ● 人の評価とE-GAN評価結果がもっとも近かった(BLEUなどと比べて) 20
- 22. 結果④ ● Retrieval ○ G-GAN/G-MLEで文章を生成 ○ E-GANを使って、文章に対して 近い画像を検索 ○ k番目に近い画像までの間に、対応する 画像があるかどうか 22 ● G-GANの間違いの傾向 ○ 色や数などの細かい描写が間違っている ○ 学習データにそのような部分に言及している ものが少なかった？ ○ 生成される文章の質、多様性が上がった結 果、細かな描写をする文が増えて、間違いが 目立つようになった？
- 23. Paragraph Generator ● 画像+パラグラフのデータセットに変えて検証 ● センテンスごとのtopicを決めるvectorを生成したうえで 各センテンスを作る多段のLSTMに変更して対応 ● 既存手法に比べて多様性のある文章が生成できた 23
- 24. まとめ ● onditional GAN + policy gradientを組み合わせたCaption生成器を提案 ○ semantic relevance, naturalness(自然さ)やdiversity(多様性)の向上した captionを生成できるようになった ○ 提案手法で学習した Evaluatorは、上記のような基準に合致する文かを判定するのにも使える 24