VQA系列论文（六）

论文阅读：《Learning by abstraction: The neural state machine》

标题：抽象学习:神经状态机
来源：NeurIPS 2019 https://proceedings.neurips.cc/paper/2019/hash/c20a7ce2a627ba838cfbff082db35197-Abstract.html
代码：暂无（该项目为网友复现，不全面–> https://github.com/ceyzaguirre4/NSM )

一、问题提出

针对神经网络和符号网络各自的优缺点，引入有限自动机的思想，提出一种神经状态机，将各自的互补优势整合到视觉推理任务中。

首先基于给定的图像，使用一个场景图抽取模型，得到对应的概率场景图。其中，对象被转化为节点，并使用属性表示表示特征；关系被转化为边，来捕获对象之间的空间关系和语义关系。此外，对输入的问题进行语义理解，并转化为一系列软指令。在推理过程中，概率场景图被视为一个有限状态机，利用指令集合在其上执行顺序推理，迭代遍历它的节点，以回答一个给定的问题或得出一个新的推理。

不同于一些旨在将多模态数据进行紧密交互的神经网络结构，神经状态机定义了一组语义概念embedding的概念，其描述领域的不同实体和属性，如各种对象、属性和关系。通过将视觉和语言形式转换为基于语义概念的表示，有效地使两种模态可以”说同一种语言“，从而可以在抽象的语义空间中进行综合推理，这使得结构从内容中分离出来，实现模型的模块化，增强模型的透明度和可解释性。

二、主要思想

两个阶段：

建模：构造状态机。将视觉和语言形式都转换成抽象的表示形式：图像被分解成一个表示其语义的概率图——描述的视觉场景中的对象、属性和关系，问题被转换成一系列推理指令，通过执行指令回答问题。
推理：模拟状态机的操作。在问题的指导下对语义视觉场景执行顺序推理：通过迭代地向机器输入指令并遍历其状态来模拟串行计算，以获得答案。

定义：元组 $(C,S,E,{{r_i}}_{i=0}^N,p_0,\delta)$

（1）C：模型的概念词汇表，由一组属性概念组成。
（2）S：状态集。
（3）E：有向边的集合，指定状态之间的有效转换。
（4） ${{r_i}\}_{i=0}^N$ ：维数为d的指令序列，作为过渡函数 $\delta$ 的输入依次传递。
（5） $p_0$ ：S→[0,1] 初始状态的概率分布。
（6） $\delta_{S,E}$ ： $p_i\times\ r_i\rightarrow\ p_{i+1}$ 是状态转移函数。实例化为神经模块，在每一步中，考虑状态分布 $p_i$ 和输入指令 $r_i$ ，并使用它沿边更新分布概率，产生一个更新的状态分布 $p_{i+1}$ 。

Part1：概念词汇表Concept vocabulary C

用于捕获和表示输入图像的语义内容。

L + 2个属性：

一个对象主体 $C_O=C_0$ eg：cat

L个属性 $C_A=U_{i=1}^LC_i$ eg：颜色、形状、材质

一种关系 $C_R=C_{L+1}$ eg：持有、看

每个属性类型定义了一组D维embedding。

Part2：状态集 S 和边集 E

构建一个概率场景图，提取给定图像中的对象和关系，构建机器的状态图。

此处使用了前人提出的场景图生成模型和Mask R-CNN物体检测器。

场景图的组成：

(1)对象节点 $S$ ，每个对象包括一个边界框、一个mask遮罩、视觉特性表示和对应于概念词汇表中L个语义属性的离散概率分布 ${{P_i}\}_{i=0}^L$ 。转化到概率场景图中，每个对象对应一个状态 $s\in\ S$ ，使用 $L + 1$ 的属性变量 ${{s^j}\}_{i=0}^L$ 表示其特征：
$s^j=\sum_{c_k \in C_j}{P_j(k)c_k}$
其中， $c_k\in\ C_j$ 表示第j个属性类型的每个子类属性embedding（比如颜色属性里面的红色）， $P_j$ 表示这些子属性上的概率分布。该公式主要抽取出每个对象的属性特征。

例子：具有”red“属性的对象，其颜色属性会被赋予接近”red“特征的embedding。

(2)对象之间的关系边，每条边都与语义类型 $C_{L+1}$ 上的概率分布 $P_{L+1}$ 相关联。类似，计算每一条边的关系语义embedding：
$e^\prime=\sum_{c_k\in C_{L+1}}{P_{L+1}(k)c_k}$
补充：

每个对象有 $\times D$ 维特征；每个边有 $D$ 维特征。

Part3：推理指令Reasoning instructions ${{r_i}\}_{{i}={0}}^{N}$

将问题翻译为推理指令。

Step1：

使用NLP领域的GloVe对问题进行词嵌入，之后将每个词翻译为词汇表中最相近的概念（即和图片映射到同一个语义空间），如果词汇表没有就保留。

针对每个词向量 $w_i$ ，首先计算和词汇表中属性的相似度的分布：
$P_i=softmax(w_i^TWC)$
其中，C为所有子属性的embedding，该矩阵中还包括一个额外的embedding $c^\prime$ ，表示非内容词汇。

之后，将每个词转变为基于词汇表C的特征表示：
$\ { c ‘ } P i ( c ) c v_i=P_i(c^`)w_i+\sum_{c \epsilon C \backslash \{c^`\}}{P_i(c)c}$
基于该变换，问题中属性词会被词典中的对应属性替代；而其余功能词等报错原始embedding。最终得到M个转换之后的词序列 $V^{M\times d}=\{{v_i}\}_{i=1}^M$ 。

Step2：

使用一个基于注意力的encoder-decoder结构处理词序列：

encoder部分为一个LSTM循环神经网络，最终状态 $q$ 作为问题特征表示；

decoder部分为固定步数（ $N + 1$ ）的循环decoder，其产生 $N + 1$ 个隐藏状态 $h_i$ ，每一步decoding时计算对词序列的注意力，并转换为对应的推理指令：
$r_i=softmax(h_iV^T)V$
该步骤使用注意力机制生成了一系列推理指令，其可以有选择性给关注问题中的各个部分，达到循序渐进找答案的效果。

补充： $r_i$ 为1*d维向量

Part4：模型推理

已求得：

概念词汇表 $C=U_{i=0}^{L+1}C_i$

图的状态S 每个状态： ${{s^j}\}_{i=0}^L$

边E 每一条边： $e^\prime$

指令序列 ${{r_i}\}_{i=0}^N$

自动机初始化：场景图上对象的初始概率分布 $p_0$ 。

每个推理步 $i$ ：读取指令 $r_i$ ，并通过其沿着边更新概率，将注意力重新分配给状态。
$\delta_{S,E}:p_i\times\ r_i\rightarrow\ p_{i+1}$
Step1：理解指令的含义，即找到与指令 $r_i$ 最相关的属性类型。

设 $D$ 为词汇表中 $L + 2$ 个属性，先求出指令和各属性相关的程度：

$R_i=softmax(r_i^T \cdot D)$

比如 $R_i(L+1)\in[0,1]$ 表示为 $r_i^\prime$ ，代表着该指令和语义关系的相关性程度。

Step2：得到指令的内容，将其与所有的状态和边进行比较，计算节点和边的相关性分数：

Step3：将模型的注意力从现有状态转移到最相关的邻居状态（即下一个状态）：

（3）计算基于每个状态自身属性潜在转移的概率，（4）则考虑到相对于当前状态、转移到下一状态的上下文相关性。最终通过加权平均概率得到下一状态的概率分布。

通过将该过程重复执行N步，模拟神经状态机的推理步骤。

Part5：分类

为了预测问题，使用两次全连接层的softmax分类器，接收LSTM输出的问题特征和最终指令 $r_N$ 引导下提取到的最终状态聚合得到的信息m：

（6）先按照指令类型求平均值，之后加上了对最终状态的注意力 $p_N$ 。

三、实验

数据集：GQA VQA-CP

结果：

GQA：

VQA-CPv2：

模型泛化性能：

对GQA数据集进行修改，泛化了内容以及语法结构：内容泛化：测试机包括训练集不存在的种类；结构泛化：同中问题语法表达修改。

可视化推理过程：

四、总结

本文提出了神经状态机NSM，其从图像中抽取出一个图结构，并模拟有限自动机的推理步骤，来执行视觉推理任务。通过实验，证明了其有效性、鲁棒性和很好的泛化性能，此外也提高了可解释性。

通过将有限状态机的概念融入神经网络结构，使得符号和连接主义方法更加紧密的整合在一起，从而将神经模型从感官和知觉任务提升到更高层次的抽象、知识表征、组合性和推理领域。