Image captioning based on an improved attention mechanism

隐藏字幕 计算机科学 变压器 人工智能 编码器 光学(聚焦) 特征(语言学) 解码方法 过程(计算) 计算机视觉 特征提取 图像(数学) 模式识别(心理学) 哲学 物理 量子力学 电压 光学 操作系统 电信 语言学
作者
Liang Li,Nan Xiang
标识
DOI:10.1117/12.2685386
摘要

Attention mechanism in image captioning model can help model focus on relative regions while generating caption. However, existing attention mechanisms are unable to identify important regions and important visual features in images. This problem makes models sometimes pay excessive attention to non-important regions and non-important features in the process of generating image captions, which makes model generate coarse-grained and even wrong image captions. To address this problem, we propose an “Importance Discrimination Attention” (IDA) module, which could discriminate important feature and non-important features and reduce the possibility of misleading by non-important features in the process of generating image captions. We also propose a IDA-based image captioning model IDANet, which is completely based on transformer framework. The encoder of IDANet consists of two parts, one is pretrained Vision Transformer (VIT), which is used to extract visual features in a fast way. The other is refining module which is added into encoder to model position and semantic relationships of different grids. For the decoder, we propose IDA-Decoder which has similar framework with transformer decoder. IDA-Decoder is guided by IDA to focus on crucial regions and features instead of all regions and features while generating image caption. Compared with others attention mechanism, IDA could capture semantic relevance of important regions with other regions in a fine-grained and high-efficient way. The caption generated by IDANet could accurately capture the relevance of different objects and discriminate objects that have similar size and shape. The performance on MSCOCO “Karpathy” offline test split achieves 132.0 CIDEr-D score and 40.3 BLEU-4 score.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
PDF的下载单位、IP信息已删除 (2025-6-4)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
朴实云应完成签到,获得积分10
3秒前
轩辕沛柔发布了新的文献求助10
4秒前
眼睛大慕卉完成签到 ,获得积分10
5秒前
嘻嘻哈哈应助61采纳,获得10
6秒前
小小瑶瑶完成签到,获得积分10
6秒前
墨月完成签到,获得积分10
7秒前
科研通AI6应助三杠采纳,获得10
9秒前
10秒前
liqinghua发布了新的文献求助10
10秒前
坚强傲松完成签到,获得积分10
10秒前
10秒前
整齐泥猴桃完成签到 ,获得积分10
11秒前
火星上凌雪完成签到 ,获得积分10
13秒前
老迟到的土豆完成签到 ,获得积分10
14秒前
学术小白完成签到,获得积分20
15秒前
zzuzll完成签到,获得积分10
15秒前
liu发布了新的文献求助10
15秒前
16秒前
zzz发布了新的文献求助10
16秒前
17秒前
标致的夏天完成签到 ,获得积分10
18秒前
张聪完成签到,获得积分20
18秒前
希淇完成签到 ,获得积分10
18秒前
61完成签到,获得积分10
18秒前
Jasmine完成签到,获得积分10
19秒前
Blaseaka完成签到 ,获得积分0
19秒前
研友_Zb1rln完成签到,获得积分10
20秒前
调皮语雪完成签到 ,获得积分10
20秒前
王火火完成签到 ,获得积分10
20秒前
救救我把发布了新的文献求助10
21秒前
兴奋鼠标完成签到,获得积分10
21秒前
vocrious完成签到,获得积分10
21秒前
胡萝卜发布了新的文献求助10
23秒前
苏黎世完成签到,获得积分10
23秒前
Eon完成签到 ,获得积分10
24秒前
科研通AI6应助Soleil采纳,获得10
25秒前
25秒前
费劲来到这的Rua完成签到,获得积分10
26秒前
茶多酚完成签到,获得积分10
27秒前
Louuuue发布了新的文献求助10
27秒前
高分求助中
HIGH DYNAMIC RANGE CMOS IMAGE SENSORS FOR LOW LIGHT APPLICATIONS 1500
Constitutional and Administrative Law 1000
Questioning sequences in the classroom 700
Microbially Influenced Corrosion of Materials 500
Die Fliegen der Palaearktischen Region. Familie 64 g: Larvaevorinae (Tachininae). 1975 500
The Experimental Biology of Bryophytes 500
Rural Geographies People, Place and the Countryside 400
热门求助领域 (近24小时)
化学 材料科学 医学 生物 工程类 有机化学 生物化学 物理 纳米技术 计算机科学 内科学 化学工程 复合材料 物理化学 基因 遗传学 催化作用 冶金 量子力学 光电子学
热门帖子
关注 科研通微信公众号,转发送积分 5378975
求助须知:如何正确求助?哪些是违规求助? 4503349
关于积分的说明 14015585
捐赠科研通 4412079
什么是DOI,文献DOI怎么找? 2423655
邀请新用户注册赠送积分活动 1416558
关于科研通互助平台的介绍 1394065