最早接觸多模態(tài)是一個抖音推薦項目，有一些視頻，標題，用戶點贊收藏等信息，給用戶推薦作品，我當時在這個項目里負責用NLP部分上分，雖然最后用wide and deep 整個團隊效果還可以，但是從a/b test 看文本部分在其中起到的作用為0... ( ) 現(xiàn)在看來還是wide and deep這種方式太粗暴了（對于復雜信息的融合），本文寫寫多模態(tài)掃盲基礎和最近大家精巧的一些圖像文本融合的模型設計，主要是在VQA（視覺問答）領域，也有一個多模態(tài)QA，因為在推薦領域，你也看到了，即使NLP的貢獻為零，用戶特征足夠，效果也能做到很好了。

一. 概念掃盲

多模態(tài)（MultiModal）

多種不同的信息源（不同的信息形式）中獲取信息表達

五個挑戰(zhàn)

表示（Multimodal Representation）的意思，比如shift旋轉尺寸不變形，圖像中研究出的一種表示

表示的冗余問題

不同的信號，有的象征性信號，有波信號，什么樣的表示方式方便多模態(tài)模型提取信息

表示的方法

聯(lián)合表示將多個模態(tài)的信息一起映射到一個統(tǒng)一的多模態(tài)向量空間

協(xié)同表示負責將多模態(tài)中的每個模態(tài)分別映射到各自的表示空間，但映射后的向量之間滿足一定的相關性約束。

2. 翻譯/轉化/映射

信號的映射，比如給一個圖像，將圖像翻譯成文字，文字翻譯成圖像，信息轉化成統(tǒng)一形式后來應用

方式，這里就跟專門研究翻譯的領域是重疊，基于實例的翻譯，涉及到檢索，字典（規(guī)則）等，基于生成方法如生成翻譯的內容

3. 對齊

多模態(tài)對齊定義為從兩個或多個模態(tài)中查找實例子組件之間的關系和對應，研究不同的信號如何對齊（比如給電影，找出劇本中哪一段）

對齊方式，有專門研究對齊的領域，主要兩種，顯示對齊（比如時間維度上就是顯示對齊的），隱式對齊（比如語言的翻譯就不是位置對位置）

4. 融合

比如情感分析中語氣和語句的融合等

這個最難也是被研究最多的領域，比如音節(jié)和唇語頭像怎么融合，本筆記主要寫融合方式

二. 應用

試聽語音識別，多媒體內容檢索，視頻理解，視頻總結，事件監(jiān)測，情感分析，視頻會議情感分析，媒體描述，視覺問答等，應用其實很廣，只不過被現(xiàn)在的智能程度大大限制了，whatever, 我覺得視覺也語言的結合比純NLP，是離智能更近的一步。

三.VQA掃盲 and 常用方式

VQA（Visual Question Answering）

給定一張圖片（視頻）和一個與該圖片相關的自然語言問題，計算機能產生一個正確的回答。這是文本QA和Image Captioning的結合，一般會涉及到圖像內容上的推理，看起來更炫酷（不是指邏輯，就就指直觀感受）。

目前VQA的四大方式

Joint embedding approaches，只是直接從源頭編碼的角度開始融合信息，這也很自然的聯(lián)想到最簡單粗暴的方式就是把文本和圖像的embedding直接拼接（ps:粗暴拼接這種方式很work），Billiner Fusion 最常用了，F(xiàn)usion屆的LR

Attention mechanisms，很多VQA的問題都在attention上做文章，attention本身也是一個提取信息的動作，自從attention is all you need后，大家對attention的應用可以說是花式了，本文后面專門介紹CVPR2019的幾篇

Compositional Models，這種方式解決問題的思路是分模塊而治之，各模塊分別處理不同的功能，然后通過模塊的組裝推理得出結果

比如在[1]中，上圖，問題是What color is his tie?先選擇出 attend 和classify 模塊，并且根據(jù)推理方式組裝模塊，最后得出結論 4.Models using external knowledge base利用外部知識庫來做VQA和很好理解，QA都喜歡用知識庫，這種知識儲備一勞永逸，例如，為了回答“圖上有多少只哺乳動物”這樣的問題，模型必須得知道“哺乳動物”的定義，而你想從圖像上去學習到哺乳動物是有難度的，因此把知識庫接進來檢索是種解決方式，例如在[2]

四. 多模態(tài)中CV和NLP融合的幾種方式

1. Bilinear Fusion 雙線性融合 and Joint embedding Bilinear Fusion 雙線性融合是最常見的一種融合方式了，很多論文用這種方式做基礎結構，在CVPR2019一遍VQA多模態(tài)推理[3]中，提出的CELL就是基于這個，作者做關系推理，不僅對問題與圖片區(qū)域的交互關系建模，也對圖片區(qū)域間的聯(lián)系建模。并且推導過程是逐步逼近的過程。

作者提出的MuRel，Bilinear Fusion 將每個圖像區(qū)域特征都分別與問題文本特征融合得到多模態(tài)embedding(Joint embedding )，后者對這些embedding進行成對的關系建模。

第一部分雙線性融合，所謂雙線性簡單來講就是函數(shù)對于兩個變量都是線性的，參數(shù)（表達兩種信息關聯(lián)）是個多為矩陣，作者采用的MUTAN模型里面的Tucker decomposition方法, 將線性關系的參數(shù)分解大大減小參數(shù)量 第二部分Pairwise relation學習的是經(jīng)過融合后節(jié)點之間的兩兩關系（主要是圖像的關系），然后和原始text 信息有效（粗暴）拼接 最后如下圖放在網(wǎng)絡，進行迭代推理。實驗結果顯示在跟位置推斷類的問題中，這種結構表現(xiàn)比較好。

2. 花式動態(tài)attention融合 這篇[4]作者更上篇一樣同時注意到了模態(tài)內和模態(tài)間的關系，即作者說的intra-modality relation（模態(tài)內部關系）和inter-modality relation（跨模態(tài)關系），但是作者更機智（個人觀點）的用了attention來做各種fusion。 作者認為intra-modality relation是對inter-modality relation的補充：圖像區(qū)域不應該僅獲得來自問題文本的信息，而且需要與其他圖像區(qū)域產生關聯(lián)。 模型結構是首先各自分別對圖像和文本提取特征，然后通過通過模態(tài)內部的attention建模和模態(tài)間的attention建模，這個模塊堆疊多次，最后拼接后進行分類。模態(tài)間的attention是相互的（文本對圖像，圖像對文本）,attention就是采用transform中的attention.

進行模態(tài)內關系建模的模塊是Dynamic Intra-modality Attention Flow (DyIntraMAF), 文中最大的亮點是進行了 條件attention，即圖像之間的attention信心建立不應該只根據(jù)圖像，也要根據(jù)不同的具體問題而產生不同的關聯(lián)。

這種條件attention的condition設計有點類似lstm的門機制，通過加入gating機制來控制信息，下圖中圖像的self attention 就是經(jīng)過了text的門機制來過濾信息。最后作者做了很多ablation studies，達到了SOTA效果。

3. VQA對話系統(tǒng) 另外有一篇[5]個多模態(tài)的QA，這篇文章fusion 挺普通的multimodal fusion 也是普通的 billinear, 但是這個應用場景非常非常實用，我們通常用語言描述的說不清楚的時候，會有一圖勝千言語感覺，而多模態(tài)就是從這個點出發(fā)，發(fā)一張圖，like this, like that... 文中就是用這個做商業(yè)客服的QA

模型比較常規(guī)，encoder端，先CNN提取了圖片特征，然后根據(jù)商品屬性建一個屬性分類樹，文本常規(guī)處理，最后通過MFB融合

Decoder 時，文本RNNdecode, 但是圖像居然是用求cos相似，就電商那種產品數(shù)據(jù)的量級，除非在業(yè)務上做很多前置工作，這種計算量就不現(xiàn)實

In all

這篇屬于擴展NLP的廣度，寫的不深，選的論文和很隨便（因為我不很了解），作為一個NLPer， 寬度上來說我覺得這也是一個方向.

原文標題：多模態(tài)中NLP與CV融合的一些方式

文章出處：【微信公眾號：深度學習自然語言處理】歡迎添加關注！文章轉載請注明出處。

責任編輯：haq