B3ゼミ_03_28_マルチモーダル学習_.pdf

2019/03/28
長岡技術科学大学　自然言語処理研究室
学部4年　守谷　歩

Transcript

1. マルチモーダル学習
   2019/03/28
   長岡技術科学大学 自然言語処理研究室
   学部4年 守谷 歩
   概要、タスク、問題点
   

   View Slide

2. 言語処理におけるマルチモーダル学習
   ⚫複数のモダリティを含む処理を行いモデル構築
   ⚫人工知能を使って言語処理をするなら今かなりの精度が出てる画
   像の情報なども用いたい。
   ⚫最近の研究では、対訳コーパスに画像情報を付加し機械翻訳の
   精度を上げるといった面で使われている。
   

   View Slide

3. マルチモーダル学習のタスク
   ⚫唇の画像から何を話しているか推定する（Lip Reading)
   ⚫手話を言語情報に置き換える
   ⚫テキストの情報からどんな画像かを推定する
   ⚫人の画像情報と話している内容から感情推定する
   ⚫映像からリアルタイムで実況を生成する。
   

   View Slide

4. 画像説明生成
   ⚫CNNの画像のエンコーダをRNNのテキストのデコーダと接続し、
   RNNの誤差を誤差伝搬法を用いてCNNまでフィードバックさせる
   

   View Slide

5. 動画像キャプショニング
   ⚫CNNで動画のフレームごとに特徴量抽出し、取った特徴量を時系
   列データとしてRNNへ入力
   

   View Slide

6. 画像スタイル変換
   ⚫CNNで動画のフレームごとに特徴量抽出し、取った特徴量を時系
   列データとしてRNNへ入力
   

   View Slide

7. マルチモーダル学習の問題点
   ⚫例えばリアルタイムで実況を生成するタスクの場合
   ⚫モーダル間の関連性をどう定義するか
   ⚫変換結果をどう評価するか
   ⚫複数のモダリティの情報を組み合わせて予測できないか
   ⚫モダリティ間の知識の転移を行えないか
   

   View Slide

8. マルチモーダル学習の今後の展開
   ⚫Vision-and-Language Navigationといった、ロボットを自然言語で目
   的地に誘導するといったようなタスクなどで期待されている。
   ⚫音声の特徴などを用いた生体認識などのタスクでも期待されてい
   る。
   

   View Slide

9. 参考資料
   ⚫東京大学、中山 英樹 「マルチモーダル深層学習の発展」
   http://must.c.u-tokyo.ac.jp/sigam/sigam20/sigam20sp01.pdf
   ⚫DeNA、森紘一郎「マルチモーダル深層学習の研究動向」 https://www.slideshare.net/f2forest/ss-108087799
   ⚫東京大学、鈴木雅大「深層生成モデルを用いたマルチモーダル学習」 https://www.slideshare.net/masa_s/ss-
   62920389
   ⚫Unifying Visual-Semantic Embeddings with Multimodal Neural Language Models
   https://arxiv.org/pdf/1411.2539.pdf
   ⚫Show and Tell: A Neural Image Caption Generato
   https://arxiv.org/pdf/1411.4555.pdf
   ⚫Deep Visual-Semantic Alignments for Generating Image Descriptions
   https://cs.stanford.edu/people/karpathy/deepimagesent/
   ⚫Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks
   https://junyanz.github.io/CycleGAN/
   

   View Slide