清晨好,您是今天最早来到科研通的研友!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您科研之路漫漫前行!

Unifying Two-Stream Encoders with Transformers for Cross-Modal Retrieval

计算机科学 变压器 编码器 杠杆(统计) 情态动词 人工智能 模式识别(心理学) 自然语言处理 情报检索 计算机视觉 电压 化学 物理 量子力学 高分子化学 操作系统
作者
Yi Bin,Haoxuan Li,Yang Xu,Xinzheng Xu,Yang Yang,Heng Tao Shen
标识
DOI:10.1145/3581783.3612427
摘要

Most existing cross-modal retrieval methods employ two-stream encoders with different architectures for images and texts, e.g., CNN for images and RNN/Transformer for texts. Such discrepancy in architectures may induce different semantic distribution spaces and limit the interactions between images and texts, and further result in inferior alignment between images and texts. To fill this research gap, inspired by recent advances of Transformers in vision tasks, we propose to unify the encoder architectures with Transformers for both modalities. Specifically, we design a cross-modal retrieval framework purely based on two-stream Transformers, dubbed Hierarchical Alignment Transformers (HAT), which consists of an image Transformer, a text Transformer, and a hierarchical alignment module. With such identical architectures, the encoders could produce representations with more similar characteristics for images and texts, and make the interactions and alignments between them much easier. Besides, to leverage the rich semantics, we devise a hierarchical alignment scheme to explore multi-level correspondences of different layers between images and texts. To evaluate the effectiveness of the proposed HAT, we conduct extensive experiments on two benchmark datasets, MSCOCO and Flickr30K. Experimental results demonstrate that HAT outperforms SOTA baselines by a large margin. Specifically, on two key tasks, i.e., image-to-text and text-to-image retrieval, HAT achieves 7.6% and 16.7% relative score improvement of Recall@1 on MSCOCO, and 4.4% and 11.6% on Flickr30k respectively. The code is available at https://github.com/LuminosityX/HAT.
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
大幅提高文件上传限制,最高150M (2024-4-1)

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
香蕉觅云应助hh0采纳,获得150
6秒前
泡泡完成签到,获得积分10
30秒前
47秒前
1分钟前
小蘑菇应助hh0采纳,获得150
1分钟前
NS发布了新的文献求助10
1分钟前
1分钟前
鹿雅彤完成签到 ,获得积分10
1分钟前
Regina完成签到 ,获得积分0
1分钟前
Ava应助hh0采纳,获得10
1分钟前
团装完成签到 ,获得积分10
1分钟前
科研通AI2S应助hh0采纳,获得10
1分钟前
majf完成签到 ,获得积分10
1分钟前
米兰达完成签到 ,获得积分10
2分钟前
深情的凝云完成签到 ,获得积分10
2分钟前
科研通AI2S应助hh0采纳,获得100
2分钟前
xiaoputaor完成签到 ,获得积分10
2分钟前
2分钟前
欣欣丽丽完成签到 ,获得积分10
2分钟前
科研通AI2S应助hh0采纳,获得10
2分钟前
所所应助嘉嘉941216采纳,获得10
2分钟前
naczx完成签到,获得积分0
2分钟前
senta发布了新的文献求助30
2分钟前
gobi完成签到 ,获得积分10
2分钟前
科研通AI2S应助hh0采纳,获得30
2分钟前
科研通AI2S应助senta采纳,获得10
2分钟前
Yulia完成签到 ,获得积分10
3分钟前
3分钟前
健壮的涑完成签到 ,获得积分10
3分钟前
科研通AI2S应助hh0采纳,获得10
3分钟前
白菜完成签到 ,获得积分10
3分钟前
薏仁完成签到 ,获得积分10
3分钟前
lhjct0313完成签到 ,获得积分10
3分钟前
科研通AI2S应助科研通管家采纳,获得30
3分钟前
3分钟前
义气小白菜完成签到 ,获得积分10
4分钟前
4分钟前
华仔应助hh0采纳,获得150
4分钟前
4分钟前
小蘑菇应助hh0采纳,获得150
4分钟前
高分求助中
歯科矯正学 第7版(或第5版) 1004
The late Devonian Standard Conodont Zonation 1000
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 1000
Smart but Scattered: The Revolutionary Executive Skills Approach to Helping Kids Reach Their Potential (第二版) 1000
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 700
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
Zeitschrift für Orient-Archäologie 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3239003
求助须知:如何正确求助?哪些是违规求助? 2884303
关于积分的说明 8232955
捐赠科研通 2552360
什么是DOI,文献DOI怎么找? 1380690
科研通“疑难数据库(出版商)”最低求助积分说明 649071
邀请新用户注册赠送积分活动 624769