Cross on Cross Attention: Deep Fusion Transformer for Image Captioning

计算机科学 隐藏字幕 编码器 解码方法 人工智能 情态动词 变压器 特征提取 编码(内存) 编码(集合论) 模式识别(心理学) 图像(数学) 数据挖掘 算法 电压 物理 操作系统 量子力学 集合(抽象数据类型) 化学 高分子化学 程序设计语言
作者
Jing Zhang,Yingshuai Xie,Weichao Ding,Zhe Wang
出处
期刊:IEEE Transactions on Circuits and Systems for Video Technology [Institute of Electrical and Electronics Engineers]
卷期号:33 (8): 4257-4268 被引量:32
标识
DOI:10.1109/tcsvt.2023.3243725
摘要

Numerous studies have shown that in-depth mining of correlations between multi-modal features can help improve the accuracy of cross-modal data analysis tasks. However, the current image description methods based on the encoder-decoder framework only carry out the interaction and fusion of multi-modal features in the encoding stage or the decoding stage, which cannot effectively alleviate the semantic gap. In this paper, we propose a Deep Fusion Transformer (DFT) for image captioning to provide a deep multi-feature and multi-modal information fusion strategy throughout the encoding to decoding process. We propose a novel global cross encoder to align different types of visual features, which can effectively compensate for the differences between features and incorporate each other's strengths. In the decoder, a novel cross on cross attention is proposed to realize hierarchical cross-modal data analysis, extending complex cross-modal reasoning capabilities through the multi-level interaction of visual and semantic features. Extensive experiments conducted on the MSCOCO dataset prove that our proposed DFT can achieve excellent performance and outperform state-of-the-art methods. The code is available at https://github.com/weimingboya/DFT .
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
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
斯文败类应助Yimingfang采纳,获得10
刚刚
HH发布了新的文献求助10
刚刚
你猜完成签到,获得积分10
1秒前
gwd发布了新的文献求助10
2秒前
3秒前
京津冀jjj完成签到,获得积分20
3秒前
鑫叶发布了新的文献求助20
4秒前
香蕉觅云应助玩命的行云采纳,获得10
4秒前
刘洋完成签到 ,获得积分10
6秒前
一年半太久只争朝夕完成签到,获得积分10
6秒前
Dr.Lawrence应助研友_LJGoXn采纳,获得10
7秒前
7秒前
科研通AI5应助香香香采纳,获得10
8秒前
威武白秋完成签到,获得积分10
9秒前
10秒前
雪掩的往事完成签到,获得积分10
10秒前
烟花应助yy采纳,获得20
10秒前
10秒前
CipherSage应助BreezyGallery采纳,获得10
11秒前
慕青应助冯小Q采纳,获得10
11秒前
科研小民工应助默默三毒采纳,获得30
12秒前
火星上的菲鹰应助Nathaniel采纳,获得10
13秒前
13秒前
14秒前
____(fg)发布了新的文献求助10
14秒前
14秒前
15秒前
乐乐应助long采纳,获得10
15秒前
15秒前
yuaner发布了新的文献求助10
16秒前
HH完成签到,获得积分10
16秒前
16秒前
colddie发布了新的文献求助30
18秒前
Lucas应助白立轩采纳,获得10
18秒前
Hzz发布了新的文献求助10
18秒前
18秒前
Yimingfang发布了新的文献求助10
19秒前
zlyl发布了新的文献求助10
19秒前
19秒前
19秒前
高分求助中
Production Logging: Theoretical and Interpretive Elements 2700
Neuromuscular and Electrodiagnostic Medicine Board Review 1000
こんなに痛いのにどうして「なんでもない」と医者にいわれてしまうのでしょうか 510
The First Nuclear Era: The Life and Times of a Technological Fixer 500
岡本唐貴自伝的回想画集 500
Distinct Aggregation Behaviors and Rheological Responses of Two Terminally Functionalized Polyisoprenes with Different Quadruple Hydrogen Bonding Motifs 450
Ciprofol versus propofol for adult sedation in gastrointestinal endoscopic procedures: a systematic review and meta-analysis 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 物理 生物化学 纳米技术 计算机科学 化学工程 内科学 复合材料 物理化学 电极 遗传学 量子力学 基因 冶金 催化作用
热门帖子
关注 科研通微信公众号,转发送积分 3669446
求助须知:如何正确求助?哪些是违规求助? 3227157
关于积分的说明 9773662
捐赠科研通 2937177
什么是DOI,文献DOI怎么找? 1609199
邀请新用户注册赠送积分活动 760130
科研通“疑难数据库(出版商)”最低求助积分说明 735760