Abstract

这篇文章提出一种联合视觉-语义嵌入(VSE) 以学习视觉表征和文本语义的联合空间。

模型统一不同层级的概念的嵌入：目标、属性、关系和全场景。

将文本语义视为不同语义成分，比如目标和关系的组合；使用不同图像区域对齐它们的嵌入。

其提出一种对比学习方法用于从图像-描述对中有效地学习细粒度的对齐。

证明了统一VSE在跨模态检索任务上优于基线;语义覆盖的加强提高了模型抵御文本域对抗攻击的鲁棒性。

此外，模型增强了视觉线索的使用，以准确地解决新句子中的词依赖关系。

Conclusion

这篇文章提出一种联合视觉-语义嵌入方法以一种因子分解的方式学习一个视觉和语言的联合表征空间：不同文本语义成分的层级包括对齐到图像区域的目标和关系。

为语义组件提出一种对比学习方法用于有效地学习细粒度对齐。

引入强制性的语义覆盖：每个 caption embedding 应该覆盖所有句子中的语义成分。

统一VSE在处理多模态检索任务时表现出优越性，能够有效防御文本域对抗攻击。