Tweet
Tweet

Slide 1

Slide 1 text

Deep Learningによる 視覚・言語融合の最前線 オムロンサイニックエックス株式会社 牛久 祥孝 losnuevetoros

Slide 2

Slide 2 text

補足：更新履歴 2018年11月 • VQAの章を更新 • Vision-Aware Dialogの章を追加 2019年1月 • NeurIPS2019の論文を追加

Slide 3

Slide 3 text

自己紹介 2014.3 博士(情報理工学)、東京大学 2014.4～2016.3 NTT CS研 研究員 2016.4～2018.9 東京大学 講師 (原田・牛久研究室) 2016.9～ 産業技術総合研究所 協力研究員 2016.12～2018.9 国立国語研究所 共同研究員 2018.10～ オムロンサイニックエックス株式会社 Principal Investigator [Ushiku+, ACMMM 2012] [Ushiku+, ICCV 2015] 画像キャプション生成 主観的な感性表現を持つ 画像キャプション生成 動画の特定区間と キャプションの相互検索 [Yamaguchi+, ICCV 2017] A guy is skiing with no shirt on and yellow snow pants. A zebra standing in a field with a tree in the dirty background. [Shin+, BMVC 2016] A yellow train on the tracks near a train station.

Slide 4

Slide 4 text

2011 2012 2014 電話音声認識のエラー率が 30%程度→20%以下に [Seide+, InterSpeech 2011] 大規模画像分類のエラー率が 25%程度→15%程度に [Krizhevsky+, NIPS 2012] LSTMで英仏翻訳の精度が 複雑なシステムと同等に [Sutskever+, NIPS 2014]

Slide 5

Slide 5 text

2012年：一般物体認識における激震 2012年の画像 認識タスクで ディープ勢が 2位以下に圧勝! 2012年の画像 認識タスクで ディープ勢が 2位以下に圧勝! 2012年の画像 認識タスクで ディープ勢が 2位以下に圧勝!

Slide 6

Slide 6 text

2012年：一般物体認識における激震 公式サイトにアクセスしてみると… 1st team w/ DL Error rate: 15% 2nd team w/o DL Error rate: 26% [http://image-net.org/challenges/LSVRC/2012/results.html]

Slide 7

Slide 7 text

2012年：一般物体認識における激震 公式サイトにアクセスしてみると… 1st team w/ DL Error rate: 15% 2nd team w/o DL Error rate: 26% [http://image-net.org/challenges/LSVRC/2012/results.html] It’s me!!

Slide 8

Slide 8 text

入力 出力 Deep Learning の影響 • 機械翻訳でも深層学習が登場 [Sutskever+, NIPS 2014] – RNNで問題になっていた勾配の消失をLSTM [Hochreiter+Schmidhuber, 1997] で解決 →文中の離れた単語間での関係を扱えるように – LSTMを4層つなぎ、end-to-endで機械学習 →state-of-the-art並み（英仏翻訳） CNN/RNNなどの共通技術が台頭 画像認識や機械翻訳の参入障壁が低下

Slide 9

Slide 9 text

ユーザー生成コンテンツの爆発的増加 特にコンテンツ投稿・共有サービスでは… • Facebookに画像が2500億枚 (2013年9月時点) • YouTubeにアップロードされる動画 1分間で計400時間分 (2015年7月時点) Pōhutukawa blooms this time of the year in New Zealand. As the flowers fall, the ground underneath the trees look spectacular. 画像/動画と 関連する文章の対 →大量に収集可能

Slide 10

Slide 10 text

Vision and Language の萌芽的な研究 記事付き画像へのキャプション生成 [Feng+Lapata, ACL 2010] • Input: article + image Output: caption for image • Dataset: Sets of article + image + caption × 3361 King Toupu IV died at the age of 88 last week.

Slide 11

Slide 11 text

Vision and Language の萌芽的な研究 × 3361 King Toupu IV died at the age of 88 last week. 記事付き画像へのキャプション生成 [Feng+Lapata, ACL 2010] • Input: article + image Output: caption for image • Dataset: Sets of article + image + caption これらの背景から… つぎのような様々な取り組みが！

Slide 12

Slide 12 text

画像キャプション生成 Group of people sitting at a table with a dinner. Tourists are standing on the middle of a flat desert. [Ushiku+, ICCV 2015]

Slide 13

Slide 13 text

動画キャプション生成 A man is holding a box of doughnuts. Then he and a woman are standing next each other. Then she is holding a plate of food. [Shin+, ICIP 2016]

Slide 14

Slide 14 text

他言語化・キャプション翻訳 Ein Masten mit zwei Ampeln fur Autofahrer. (独語) A pole with two lights for drivers. (英語) [Hitschler+, ACL 2016]

Slide 15

Slide 15 text

ビジュアル質問応答 [Fukui+, EMNLP 2016]

Slide 16

Slide 16 text

キャプションからの画像生成 This bird is blue with white and has a very short beak. (この鳥は白の入った青色 で、とても短いくちばし をもっています。) This flower is white and yellow in color, with petals that are wavy and smooth. (この花は白と黄色で、波 打った滑らかな花びらを もっています。) [Zhang+, 2016]

Slide 17

Slide 17 text

Vision-Aware Dialog

Slide 18

Slide 18 text

本講演の目的 視覚×言語の融合研究を俯瞰 • 各領域の歴史的な流れ • Deep Learning 登場以前と以後の変化を説明 × Deep Learning で初めてこれらの研究が誕生 ✓ Deep Learning でこれらの研究が精緻化 1. 画像・動画キャプション生成 2. 言語横断 3. 画像に関する質問への応答 4. キャプションからの画像生成 5. Vision-aware Dialog

Slide 19

Slide 19 text

視覚・言語融合の最前線1 画像・動画キャプション生成

Slide 20

Slide 20 text

Every picture tells a story データセット： 画像＋+キャプション 1. 画像のをMRFで推定 2. が同じキャプションを検 索して利用 [Farhadi+, ECCV 2010]

Slide 21

Slide 21 text

Every picture tells a story See something unexpected. A man stands next to a train on a cloudy day. [Farhadi+, ECCV 2010]

Slide 22

Slide 22 text

再利用？新規生成？ • 再利用 • 新規生成 – テンプレート 主語＋動詞の文を生成しよう – 非テンプレート A small gray dog on a leash. A black dog standing in grassy area. A small white dog wearing a flannel warmer. 入力 データセット

Slide 23

Slide 23 text

再利用？新規生成？ • 再利用 – A small gray dog on a leash. • 新規生成 – テンプレート 主語＋動詞の文を生成しよう – 非テンプレート A small gray dog on a leash. A black dog standing in grassy area. A small white dog wearing a flannel warmer. 入力 データセット

Slide 24

Slide 24 text

再利用？新規生成？ • 再利用 – A small gray dog on a leash. • 新規生成 – テンプレート dog＋stand ⇒ A dog stands. – 非テンプレート A small gray dog on a leash. A black dog standing in grassy area. A small white dog wearing a flannel warmer. 入力 データセット

Slide 25

Slide 25 text

再利用？新規生成？ • 再利用 – A small gray dog on a leash. • 新規生成 – テンプレート dog＋stand ⇒ A dog stands. – 非テンプレート A small white dog standing on a leash. A small gray dog on a leash. A black dog standing in grassy area. A small white dog wearing a flannel warmer. 入力 データセット

Slide 26

Slide 26 text

再利用アプローチもいまだに健在 その後も継続して新規手法が提案されている • 正準相関分析の利用[Hodosh+, JAIR 2013][Gong+, ECCV 2014] • 文章要約技術の応用[Mason+Charniak, ACL 2014] • 係り受け木＋RNN[Socher+, TACL 2014] • RCNNによる画像領域と係り受けの対応[Karpathy+, NIPS 2014] • 分散表現によるリランキング[Yagcioglu, ACL 2015] • WordNetの階層性をモデル化したCNN [Vendrov+, ICLR 2016] • 動画/文から得た共通空間で相互検索[Yamaguchi+, ICCV 2017] A woman in blue is playing ping pong in a room. A guy is skiing with no shirt on and yellow snow pants. A man is water skiing while attached to a long rope.

Slide 27

Slide 27 text

マルチキーフレーズ推定アプローチ 当時の問題＝使用候補であるフレーズの精度が悪い キーフレーズを独立なラベルとして扱うと… マルチキーフレーズの推定＝一般画像認識 文生成は[Ushiku+, ACM MM 2011]と同じ [Ushiku+, ACM MM 2012]

Slide 28

Slide 28 text

文の終わり

Slide 29

Slide 29 text

深層学習登場以前の動画×言語 • 言語と動画内の物体とのグラウンディング [Yu+Siskind, ACL 2013] – 動画とその動画を説明する文のみから学習 – 対象物体が少なく、コントロールされた小規模デー タセットでの実験

Slide 30

Slide 30 text

Deep Learning によるキャプション生成

Slide 31

Slide 31 text

入力 出力 Deep Learning の恩恵 (再掲) • 深層学習による画像認識の精緻化 [Krizhevsky+, NIPS 2012] • 機械翻訳でも深層学習が登場 [Sutskever+, NIPS 2014] – RNNで問題になっていた勾配の消失をLSTM [Hochreiter+Schmidhuber, 1997] で解決 →文中の離れた単語間での関係を扱えるように – LSTMを4層つなぎ、end-to-endで機械学習 →state-of-the-art並み（英仏翻訳） CNN/RNNなどの共通技術が台頭 画像認識や機械翻訳の参入障壁が低下

Slide 32

Slide 32 text

Google NIC [Vinyals+, CVPR 2015] Googleで開発された • GoogLeNet [Szegedy+, CVPR 2015] • LSTM [Sutskever+, NIPS 2014] を直列させて文生成する。 画像への文（単語列）0 … は 0 : スタートを意味する単語 1 = LSTM CNN = LSTM St−1 , = 2 … − 1 : ストップを意味する単語

Slide 33

Slide 33 text

生成された説明文の例 [https://github.com/tensorflow/models/tree/master/im2txt]

Slide 34

Slide 34 text

[Ushiku+, ACM MM 2012]と比べると 入力画像 [Ushiku+, ACM MM 2012]では： Fisher Vector + 線形分類オンライン学習 CVPR 2015 の各論文では： CNN（オンライン学習なのは一緒） CVPR 2015 の各論文では： RNNとビームサーチで文をつなぐ [Ushiku+, ACM MM 2012]では： キーフレーズと文法モデル、 ビームサーチで文をつなぐ 文の一部で重要そうなものを複数推定 文法モデルを利用して繋ぎ、説明文に • いずれも画像+キャプションのみから学習可能 • 全体の流れは非常に似ている “キーフレーズ”

Slide 35

Slide 35 text

一番大きく違うところは…？ • 深層学習以前の新規キャプション生成 何らかの語句に変換してから文生成器へ • 深層学習による新規キャプション生成 画像特徴量を直接文生成器へ

Slide 36

Slide 36 text

ところが最近では… • CNNで事物の認識まで済ませてRNNで文生 成[Wu+, CVPR 2016][You+, CVPR 2016] →画像特徴量の段階でRNNに渡すより高性能！ • 深層学習以前のアプローチとより類似 [You+, CVPR 2016] [Wu+, CVPR 2016]

Slide 37

Slide 37 text

Deep Learning による動画キャプション生成 • LRCN [Donahue+, CVPR 2015] – CNN+RNN • 動作認識 • 画像/動画 キャプション生成 • Video to Text [Venugopalan+, ICCV 2015] – CNN+RNN • RGB画像で物体を • オプティカルフローで 動作を 認識→キャプション生成

Slide 38

Slide 38 text

評価方法とデータセット

Slide 39

Slide 39 text

どれがどれくらい良いキャプションなのか？ CoSMoS [Ushiku et al., ICCV 2015] Group of people sitting at a table with a dinner. Corpus-Guided [Yang et al., EMNLP 2011] Three people are showing the bottle on the street Midge [Mitchel et al., EACL 2012] people with a bottle at the table アンケートによる比較：相対的な良さの評価 • 毎回ほかの手法と比較してもらわなければならない • 絶対的なキャプションの良さの評価がほしい

Slide 40

Slide 40 text

定量評価指標 機械翻訳では… • テスト文に複数の参照訳が付随（通常5文） • これらの参照訳と近い訳文が「良い」 • 既存の評価指標（BLEUやMETEOR、ROUGEなど） • キャプション生成の評価指標（CIDErやSPICEなど） One jet lands at an airport while another takes off next to it. Two airplanes parked in an airport. Two jets taxi past each other. Two parked jet airplanes facing opposite directions. two passenger planes on a grassy plain キャプション生成の評価でも同様の流れ PASCAL Sentenceの画像と参照キャプションの例

Slide 41

Slide 41 text

データセット Webからクロールしてきたもの • SBU Captioned Image [Ordonez+, NIPS 2011] 100万枚のFlickr画像、1キャプション/画像 • YFCC-100M [Thomee+, 2015] 1億枚のFlickr画像＋動画、一部の画像にキャプショ ン • Déjà Images [Chen+, ACL 2015] 1つのキャプションに複数の画像が紐づいている

Slide 42

Slide 42 text

データセット クラウドソーシングを用いたもの • PASCAL Sentence, Flickr 8k/30k (すべてUIUCから) それぞれ1000/8000/30000枚の画像、5キャプション/画像 • Abstract Scene Dataset [Zitnick+Parikh, CVPR 2013] 10000枚のクリップアート、6キャプション/画像 • MS COCO [Lin+, 2014] 10万超の画像、5キャプション/画像 • MSR Dense Visual Annotation Corpus [Yatskar+, *SEM 2014] 500枚の画像に100,000の矩形領域+キャプション • PASCAL-50S, ABSTRACT-50S [Vedantam+, CVPR 2015] より人間らしい評価のために作成、50キャプション/画像 • Visual Genome [Krishna+, IJCV 2017] 10万超の画像にキャプションやQAなどが密に付随

Slide 43

Slide 43 text

データセット クラウドソーシングを用いたもの • PASCAL Sentence, Flickr 8k/30k (すべてUIUCから) それぞれ1000/8000/30000枚の画像、5キャプション/画像 • Abstract Scene Dataset [Zitnick+Parikh, CVPR 2013] 10000枚のクリップアート、6キャプション/画像 • MS COCO [Lin+, 2014] 10万超の画像、5キャプション/画像 • MSR Dense Visual Annotation Corpus [Yatskar+, *SEM 2014] 500枚の画像に100,000の矩形領域+キャプション • PASCAL-50S, ABSTRACT-50S [Vedantam+, CVPR 2015] より人間らしい評価のために作成、50キャプション/画像 • Visual Genome [Krishna+, IJCV 2017] 10万超の画像にキャプションやQAなどが密に付随 特にMS COCOとVisual Genomeは… 他のデータセットのベースになる ことが非常に多い

Slide 44

Slide 44 text

その後の発展

Slide 45

Slide 45 text

精度の発展：CV / NLP それぞれでの取組み • 画像認識 より高精度なCNN – 当初は大体 AlexNet – 多いのは VGG, Inception, ResNet – ResNeXt, SqueezeNet, NASNet 等はこれから？ • 自然言語処理 画像認識側が完璧になったと仮定した文生成 [Gupta+Mannem, ICONIP 2012][Elliott+Keller, EMNLP 2013][Yatskar+, *Sem 2014][Yao+, ICLR workshop 2016]

Slide 46

Slide 46 text

日本語を英語にGoogle翻訳してみる この結果を日本語にGoogle翻訳してみる

Slide 47

Slide 47 text

精度の発展：「行って帰ってくる損失」 • 機械学習 出力キャプション→入力画像を再推定 cf. CycleGAN[Zhu+, ICCV 2017] 変分自己符号化器 [Pu+, NIPS 2016] 出力キャプションで領域検索 [Luo+Shakhnarovich, CVPR 2017]

Slide 48

Slide 48 text

精度の発展：アテンションモデル • 2分野が融合して新たに生まれたものの例： – アテンションモデルの利用 [Xu+, ICML 2015] – 画像+キャプションデータのみからの学習！ – 動画：時間方向のアテンション[Laokulrat+, COLING 2016]

Slide 49

Slide 49 text

ここまでの問題点1:最適化したい目的関数 学習に用いるのは Cross-Entropy 評価に用いるのは BLEUなどの評価指標 → 生成したキャプションの評価指標を 直接最適化するべきでは？ • 評価指標の直接最適化 – 機械翻訳ではディープ以前からある [Och, ACL 2003] • 深層学習で評価指標を直接最適化…？ – 勾配が求められないから学習できない！！ 短い文へのペナルティ N-gramのPrecision

Slide 50

Slide 50 text

ここまでの問題点2: Exposure Bias 通常のRNNによる系列生成モデル学習では… • 学習時：Teacher forcing – 入力は − 1番目までの 教師データ • テスト時：Free running – 入力は − 1番目までで 自身が推定したデータ テスト時の生成系列が学習時から外れだすと エラーが蓄積し続ける

Slide 51

Slide 51 text

精度の発展：強化学習の利用 • 強化学習を利用したキャプション生成 評価指標を報酬とする強化学習を導入すれば 問題点1と2が同時に解決されるはず！ – 方策勾配：評価指標の勾配が分からなくても、 出力の事後確率の勾配でOK→問題点１ – 評価指標を利用すれば、Teacher forcingしない 学習も可能→問題点２ state RNNの状態変数 action 単語系列の推定 reward 評価指標 environment 画像特徴と生成中のキャプション [Ranzato+, ICLR 2016][Rennie+, CVPR 2017]

Slide 52

Slide 52 text

問題の発展：より細かいキャプション生成 [Lin+, BMVC 2015] [Johnson+, CVPR 2016]

Slide 53

Slide 53 text

問題の発展：キャプション列生成 アルバムのような系列画像に対して The family got together for a cookout. They had a lot of delicious food. The dog was happy to be there. They had a great time on the beach. They even had a swim in the water. [Park+Kim, NIPS 2015][Huang+, NAACL 2016]

Slide 54

Slide 54 text

問題の発展：キャプション列生成 A man is holding a box of doughnuts. Then he and a woman are standing next each other. Then she is holding a plate of food. [Shin+, ICIP 2016] シーンの切り替わる動画に対して

Slide 55

Slide 55 text

問題の発展：キャプション列生成 A boat is floating on the water near a mountain. And a man riding a wave on top of a surfboard. Then he on the surfboard in the water. [Shin+, ICIP 2016]

Slide 56

Slide 56 text

問題の発展：主観的な表現 感性語Sentiment Termを重視したキャプション生成 ニュートラルな文 ポジティブな文 （生成した例） [Mathews+, AAAI 2016][Shin+, BMVC 2016]

Slide 57

Slide 57 text

問題の発展：個人適合キャプション列生成 複数のキャプションで説明しようとすると • 個人で注目する場所によってふさわしい キャプションも変わる • ユーザへの質問を通じて注目個所を獲得 What is the man riding? Motorcycle Input image The man is riding Motorcycle. It is white. The motorcycle is honda. [Shin+, CVPR 2018]

Slide 58

Slide 58 text

問題の発展：個人適合キャプション列生成 複数のキャプションで説明しようとすると • 個人で注目する場所によってふさわしい キャプションも変わる • ユーザへの質問を通じて注目個所を獲得 What is the man riding? Skateboard The man is riding skateboard. The man is skateboarding. The color of the jacket is red. Input image [Shin+, CVPR 2018]

Slide 59

Slide 59 text

視覚・言語融合の最前線2 他言語化・キャプション翻訳

Slide 60

Slide 60 text

他言語への展開 データセット • IAPR TC12 [Grubinger+, 2006] 20,000画像+英独 • Multi30K [Elliot+, 2016] 30,000画像+英独 • STAIR Captions [吉川ら、 2017] MS COCO (10万超画像＋英語キャプション) →すべてに日本語キャプションを付与 タスクとしての展開 • 英語でない画像キャプション生成 • マルチモーダル機械翻訳/言語間文書検索 1. 入力：言語Aでのキャプション+画像 2. 入力：言語Aでのキャプション → 出力：言語Bでのキャプション（1.と2.で同じ）

Slide 61

Slide 61 text

英語でない画像キャプション生成

Slide 62

Slide 62 text

英語でない画像キャプション生成 多くは英語のキャプションを生成するが… • 日本語 [Miyazaki+Shimizu, ACL 2016] • 中国語 [Li+, ICMR 2016] • トルコ語 [Unal+, SIU 2016] Çimlerde ko¸ san bir köpek 金色头发的小女孩 柵の中にキリンが一頭 立っています

Slide 63

Slide 63 text

単にデータ集めを頑張るだけ？ 他言語での知識を流用 [Miyazaki+Shimizu, ACL 2016] • 他言語の視覚-言語グラウンディングの転移 • 少数のキャプション付き画像でも効率よく学習 an elephant is an elephant 一匹の 象が 土の 一匹の 象が

Slide 64

Slide 64 text

マルチモーダル機械翻訳

Slide 65

Slide 65 text

言語横断型の研究 画像は機械翻訳の精度に寄与[Calixto+,2012] • 英語でsealとあるけど、 ・stampに近いsealなのか？ ・sea animalのsealなのか？ がわからず誤ったポルトガル語に翻訳 • （実験してないけど）画像があれば防げるはず！

Slide 66

Slide 66 text

入力：言語Aのキャプション+画像 • 画像を介した言語横断キャプション翻訳 [Elliott+, 2015] [Hitschler+, ACL 2016] – 最初に候補翻訳を複数生成（画像には非依存） – 類似画像に付随する言語Bのキャプションを 利用して翻訳候補から出力を選択 Eine Person in einem Anzug und Krawatte und einem Rock. (独語) 画像を見ない場合の翻訳 A person in a suit and tie and a rock. 画像を利用した場合の翻訳 A person in a suit and tie and a skirt.

Slide 67

Slide 67 text

入力：言語Aのキャプション • 画像を介した言語横断関連文書検索 [Funaki+Nakayama, EMNLP 2015] • ゼロ対訳コーパスでのマルチモーダル翻訳 [Nakayama+Nishida, 2017]

Slide 68

Slide 68 text

視覚・言語融合の最前線3 画像に関する質問への応答

Slide 69

Slide 69 text

Visual Question Answering (VQA) 最初はユーザインタフェース分野で注目 • VizWiz [Bigham+, UIST 2010] AMTで人力解決 • 初の自動化（ディープラーニング不使用） [Malinowski+Fritz, NIPS 2014] • 類似用語：Visual Turing Test [Malinowski+Fritz, 2014]

Slide 70

Slide 70 text

VQAを自動化する試み

Slide 71

Slide 71 text

VQA: Visual Question Answering • ビジュアル質問応答を分野として確立 – ベンチマークデータセットの提供 – ベースとなるパイプラインでの実験 • ポータルサイトも運営 – http://www.visualqa.org/ – 国際コンペティションも開催 [Antol+, ICCV 2015] What color are her eyes? What is the mustache made of?

Slide 72

Slide 72 text

VQA Dataset AMT で質問と回答を収集 • 10万超の実画像、3万超のアニメ調画像 • 計70万弱の質問＋それぞれ10の模範回答

Slide 73

Slide 73 text

VQA=多クラス分類問題 表現ベクトル+ 以降は通常のクラス識別 質問文 What objects are found on the bed? 応答 bed sheets, pillow 画像 画像特徴量 質問特徴量 統合された 表現ベクトル +

Slide 74

Slide 74 text

その後の展開：統合方法 「統合された表現ベクトル+ 」の工夫 • VQA [Antol+, ICCV 2015] ：そのまま直列に並べる • 「和」グループ 例 Attentionで重みづけ和をとった画像特徴と 質問特徴を単純に足す [Xu+Saenko, ECCV 2016] • 「積」グループ 例 双線形積とフーリエ変換を組み合わせる [Fukui+, EMNLP 2016] • 「和」と「積」のハイブリッド 例 要素毎の積と要素毎の和を直列に並べる [Saito+, ICME 2017] + = + = + = + =

Slide 75

Slide 75 text

その後の展開：アテンション • 2017年SOTA [Anderson+, CVPR 2018] – これまで：Top-down領域の 画像にアテンション – Bottom-upとTow-down領域の 両方にアテンション • 2018年SOTA [Nguyen+Okatani, CVPR 2018] – これまで：画像に対し アテンション – 質問特徴と画像特徴の 両方にアテンション Bottom-up Top-down

Slide 76

Slide 76 text

VQA Challenge コンペティション参加チームの解答例から Q: What is the woman holding? GT A: laptop Machine A: laptop Q: Is it going to rain soon? GT A: yes Machine A: yes

Slide 77

Slide 77 text

VQA Challenge コンペティション参加チームの解答例から Q: Why is there snow on one side of the stream and clear grass on the other? GT A: shade Machine A: yes Q: Is the hydrant painted a new color? GT A: yes Machine A: no

Slide 78

Slide 78 text

問題としての派生

Slide 79

Slide 79 text

VisWiz Grand Challenge 視覚障碍者用のVQAチャレンジ • 視覚障碍者がスマフォで実際に撮影 • 質問31,000件、一部は回答不可能が正解（下側） [Gurari+, CVPR 2018]

Slide 80

Slide 80 text

EmbodiedQA 質問応答のために探索が必要な問題 著者自らがその後、階層的な方策を獲得するA3C ベースの強化学習を提案 [Das+, CoRL 2018] [Das+, CVPR 2018]

Slide 81

Slide 81 text

その他にも… • VQS – ビジュアル質問に関連する 領域で答える • MovieQA [Tapaswi+, CVPR 2016] – 映画についてのQA

Slide 82

Slide 82 text

その他にも… • QuAC [Choi+, EMNLP 2018] – Question Answering in Context – Wikipedia記事で 対話形式のQAを 整備 • Textbook Question Answering – 教科書をデータセット として整備 →外部知識は不要 – Machine Comprehension では一文探せば回答可能 →より高度な問題を用意

Slide 83

Slide 83 text

Visual Question Generation • 視覚的質問生成 （VQG）の提案 質問生成は画像 キャプションの 生成か検索を検討 • Qに対する要求 – その質問から会話が始まるような質問 – 画像を見てわかるような質問ではだめ ✗ How many horses are in the field? ✓ Who won the race? [Mostafazadeh+, ACL 2016]

Slide 84

Slide 84 text

未知物体についてのVQG 画像認識器が知らない物体: 人から教わりたい • 質問なら何でもいいわけじゃない • 「なにこれ？」のような曖昧な質問だと… 回答も「物体」のように曖昧になりそう • 学習して自動生成できた質問の例 What is the woman holding in her right hand? What type of shirt is the man wearing? What in on the man’s lap? ? [Uehara+, ECCV 2018]

Slide 85

Slide 85 text

その他にも… • Visual Discriminative Question Generation [Li+, ICCV 2017] ペアになっている画像に – DiscriminativeなQ – そうでないQ を付与→生成モデルを学習 • Inverse Visual Question Answering [Liu+, CVPR 2018] 入力： 画像と解答 出力： 適切な質問

Slide 86

Slide 86 text

視覚・言語融合の最前線4 キャプションからの画像生成

Slide 87

Slide 87 text

キャプションを入力して画像を生成 文から鮮明な画像の生成を実現 ↑難しいタスク （下は[Mansimov+, ICLR 2016]の例） ※ 画像の切り貼りは以前から [Hays+Efros, SIGGRAPH 2007]

Slide 88

Slide 88 text

文からの画像生成＝条件つき生成 まずは…Generative Adversarial Networks (GAN) [Goodfellow+, NIPS 2014] • 条件を持たない生成学習手法 • Generator と Discriminator の敵対的学習 • 畳込み層をもつ場合…DCGAN [Radford+, ICLR 2016] Generator 乱数から画像を生成 Discriminator 実画像と生成画像を見分ける は お前が生成したな！

Slide 89

Slide 89 text

文からの画像生成＝条件つき生成 まずは…Generative Adversarial Networks (GAN) [Goodfellow+, NIPS 2014] • 条件を持たない生成学習手法 • Generator と Discriminator の敵対的学習 • 畳込み層をもつ場合…DCGAN [Radford+, ICLR 2016] Generator 乱数から画像を生成 Discriminator 実画像と生成画像を見分ける は お前が生成したな！

Slide 90

Slide 90 text

文からの画像生成＝条件つき生成 まずは…Generative Adversarial Networks (GAN) [Goodfellow+, NIPS 2014] • 条件を持たない生成学習手法 • Generator と Discriminator の敵対的学習 • 畳込み層をもつ場合…DCGAN [Radford+, ICLR 2016] Generator 乱数から画像を生成 Discriminator 実画像と生成画像を見分ける は お前が生成したな！

Slide 91

Slide 91 text

文からの画像生成＝条件つき生成 まずは…Generative Adversarial Networks (GAN) [Goodfellow+, NIPS 2014] • 条件を持たない生成学習手法 • Generator と Discriminator の敵対的学習 • 畳込み層をもつ場合…DCGAN [Radford+, ICLR 2016] Generator 乱数から画像を生成 Discriminator 実画像と生成画像を見分ける は お前が生成したな！

Slide 92

Slide 92 text

文からの画像生成＝条件つき生成 まずは…Generative Adversarial Networks (GAN) [Goodfellow+, NIPS 2014] • 条件を持たない生成学習手法 • Generator と Discriminator の敵対的学習 学習が進むと： • 畳込み層をもつ場合…DCGAN [Radford+, ICLR 2016] Generator 乱数から画像を生成 Discriminator 実画像と生成画像を見分ける むむむ…

Slide 93

Slide 93 text

文で生成結果を変えるには Generator と Discriminator に文を加える ・自然な画像 ・文に沿った画像 を生成しようとする ・不自然な画像 ・文に合わない画像 を識別しようとする [Reed+, ICML 2016]

Slide 94

Slide 94 text

生成できた画像の例 • 鳥(CUB)/花(Oxford-102)データセット – 約1万の鳥/花画像と5キャプション/画像 – 200種類の鳥/102種類の花 A tiny bird, with a tiny beak, tarsus and feet, a blue crown, blue coverts, and black cheek patch Bright droopy yellow petals with burgundy streaks, and a yellow stigma

Slide 95

Slide 95 text

その後の展開 StackGAN [Zhang+, ICCV 2017] • 2段階のGANからなるモデル • 1段目でぼやっとした画像を生成、2段目で高解像+詳細化

Slide 96

Slide 96 text

キャプションからの画像生成 This bird is blue with white and has a very short beak. (この鳥は白の入った青色 で、とても短いくちばし をもっています。) This flower is white and yellow in color, with petals that are wavy and smooth. (この花は白と黄色で、波 打った滑らかな花びらを もっています。) [Zhang+, ICCV 2017]

Slide 97

Slide 97 text

キャプションからの画像生成 This bird is blue with white and has a very short beak. (この鳥は白の入った青色 で、とても短いくちばし をもっています。) This flower is white and yellow in color, with petals that are wavy and smooth. (この花は白と黄色で、波 打った滑らかな花びらを もっています。) [Zhang+, ICCV 2017] 鳥/花に特化したデータセットでの結果 →一般的な画像を生成するにはより一層のブレイクスルーが必要

Slide 98

Slide 98 text

キャプションからの動画生成 [Marwah+, ICCV 2017] digit 6 is moving up and down digit 3 is moving left and right person 4 is walking left to right

Slide 99

Slide 99 text

視覚・言語融合の最前線5 Vision-Aware Dialog

Slide 100

Slide 100 text

Vision-Aware Dialog エージェントとユーザー以外に視覚的な情報が存在 研究を大別すると… • データセットの提供 VisDial [Das+, CVPR 2017] • それらを利用した対話の研究 共参照解析を利用したVisDialモデル

Slide 101

Slide 101 text

マルチモーダル対話？ • マルチモーダル対話 – 主にユーザからの入力が複数モーダルの情報 • Vision-Aware Dialog – 環境などに視覚情報を伴うものをさす – マルチモダリティではある 本講演では Vision-Aware Dialog と呼ぶことにします

Slide 102

Slide 102 text

データセットによる分類

Slide 103

Slide 103 text

紹介するデータセット一覧 • GuessWhat?! [de Vries+, CVPR 2017] • Visual Dialog (VisDial) [Das+, CVPR 2017] • Vision-and-Language Navigation (VNL) [Anderson+, ICCV 2017] • MNIST Dialog [Seo+, NIPS 2017] • Multimodal Dialog (MMD) [Saha+, AAAI 2018] • Twitch-FIFA [Pasunuru+Bansal, EMNLP 2018] • Talk the Walk [de Vries+, arXiv 2018]

Slide 104

Slide 104 text

GuessWhat?! 連続するYes/No型のVQAデータ Is it a person? No Is it an item being worn or held? Yes Is it a snowboard? Yes Is it the red one? No Is it the one being held by the Yes person in blue? Is it a cow? Yes Is it the big cow in the middle? No Is the cow on the left? No On the right? Yes First cow near us? Yes [de Vries+, CVPR 2017]

Slide 105

Slide 105 text

GuessWhat?! の概要 • Questioner – Guesserが何を見ているのかを知るために質問 • Guesser – 自分が見ているものに応じてYes/Noで応答 • MS COCOを利用 – 画像数 64,000 – 対話 135,000 – 質問 673,000 Is it a vase? Yes Is it partially visible? No Is it in the left corner? No Is it the turquoise and Yes purple one? [de Vries+, CVPR 2017]

Slide 106

Slide 106 text

Visual Dialog (VisDial) 連続する一般的なVQAデータ Questioner Answerer A couple of people in the snow on skis. [Das+, CVPR 2017]

Slide 107

Slide 107 text

Visual Dialog (VisDial) Questioner Answerer A couple of people in the snow on skis. What are their genders? Are they both adults? Do they wear goggles? Do they have hats on? Are there any other people? What color is man’s hat? Is it snowing now? What is woman wearing? Are they smiling? Do you see trees? 1 man 1 woman Yes Looks like sunglasses Man does No Black No Blue jacket and black pants Yes Yes [Das+, CVPR 2017]

Slide 108

Slide 108 text

Visual Dialog (VisDial) の概要 • MS COCOが基本 – 12万枚の画像 – 5キャプション/画像 • 1対話/画像を収集 – Amazon Mechanical Turk – QA形式で10ラウンド • 2017年12月現在はv0.9 – 画像約12万枚の対話 – 1画像に付き1対話 [Das+, CVPR 2017]

Slide 109

Slide 109 text

Vision-and-Language Navigation (VNL) 対話行為が移動とナビゲーション [Anderson+, ICCV 2017]

Slide 110

Slide 110 text

R2R データセット 実世界3次元データ [Chang+, 3DV 2017] を利用 • 90の建造物で総計10,800点のパノラマRGBD画像を収集 • 各点で18方向のRGBD画像を収集→パノラマ化 • 平均2.25m間隔、人の目線の高さ、カメラポーズも記録 この3次元世界を動けるシミュレータを提供 • 観測：3次元位置およびカメラ角度＋主観画像（RGB） • 行動：隣接地点への移動またはカメラ角度の更新 [Anderson+, ICCV 2017]

Slide 111

Slide 111 text

R2R データセット Amazon Mechanical Turk で収集 • 7189経路を抽出 – 5m以上離れた2地点 →平均10m程度 – 最低4～6回移動 • 経路あたり3つずつの インストラクション （非対話）を収集 – 平均29単語 (類似課題に比べて長め) – 約3100語彙 (類似課題に比べて少量) [Anderson+, ICCV 2017]

Slide 112

Slide 112 text

MNIST Dialog VisDialのMNIST版 • 4x4のMNIST画像（白黒）に – 文字色5種、背景色5種、スタイル2種を適用 – 画像数 50,000 – 対話 3 dialogs/image – 質問 10 Q&As/dialog How many 9’s are there in the image? four How many brown digits are there among them? one What is the background color of the digit at the left of it? white What is the style of the digit? flat What is the color of the digit at the left of it? blue What is the number of the blue digit? 4 Are there other blue digits? two [Seo+, NIPS 2017]

Slide 113

Slide 113 text

Multimodal Dialog (MMD) 商品推薦を伴うマルチモーダル対話 [Saha+, AAAI 2018]

Slide 114

Slide 114 text

Multimodal Dialog (MMD) の概要 [Saha+, AAAI 2018] • Shopper – 客であり、要望を言語もしくは画像で伝える • Agent – 店員であり、要望に言語もしくは画像で応える • 20人で100万枚画像を用いながら対話 – 対話 150,000 – 平均発話 40/対話 – 画像を伴う発話 総計 約1,200,000

Slide 115

Slide 115 text

Twitch-FIFA ゲーム実況のウェブ配信+多人数チャット • 49本のビデオ、86時間分 – 入力：20秒のビデオ＋多人数チャット – 出力：直後10秒の多人数チャット – 合計15000の対話 [Pasunuru+Bansal, EMNLP 2018]

Slide 116

Slide 116 text

Talk the Walk NYCを歩くTouristと目的地へ導くGuide • 1万程度の発話 – 行動： 約44回 – Guide発話： 約9回 – Tourist発話： 約8回 [de Vries+, arXiv 2018]

Slide 117

Slide 117 text

その他にも… • Image-Grounded Conversation [Mostafazadeh+, IJCNLP 2017] – VisDialはVQAベース No Any huge pumpkins? No Do you see trees? No Do you see anyone? That is possible Do you think it's for Halloween? Possibly Is this at a farm? No Is the photo close up? Yes Is the photo in color?

Slide 118

Slide 118 text

その他にも… • Image-Grounded Conversation [Mostafazadeh+, IJCNLP 2017] – VisDialはVQAベース – 雑談の様な対話を収集 Place near my house is getting ready for Halloween a little early. Don't you think Halloween should be year-round, though? That'd be fun since it's my favorite holiday! It‘s my favorite holiday as well! I never got around to carving a pumpkin last year even though I bought one. Well, it's a good thing that they are starting to sell them early this year!

Slide 119

Slide 119 text

その他にも… • DialEdit [Ramesh+, 2018] • Video Scene-Aware Dialog Data [Hori+, 2018] – Dialog System Technology Challenge (DSTC) 7 – VisDialの動画バージョン

Slide 120

Slide 120 text

目的による分類

Slide 121

Slide 121 text

目的の一覧 • Vision-Awareな対話をモデル化したい →VisDial [Das+, CVPR 2017]など • CVの既存/新規な問題を対話的に解きたい – 画像キャプション生成 – ロボットのPick&Place – 画像内のどこを見ているかを共有したい →GuessWhat?! [de Vries+, CVPR 2017]など – どの画像を見ているかを共有したい – 商品の推薦システムを作りたい →MMD [Saha+, AAAI 2018]など – 対話的なナビゲーションシステムを作りたい →VNL [Anderson+, ICCV 2017], Talk the Walk [de Vries+, 2018]など

Slide 122

Slide 122 text

個人適合キャプション列生成 複数のキャプションで説明しようとすると • 個人で注目する場所によってふさわしい キャプションも変わる • ユーザへの質問を通じて注目個所を獲得 What is the man riding? Motorcycle Input image The man is riding Motorcycle. It is white. The motorcycle is honda. [Shin+, CVPR 2018]

Slide 123

Slide 123 text

個人適合キャプション列生成 複数のキャプションで説明しようとすると • 個人で注目する場所によってふさわしい キャプションも変わる • ユーザへの質問を通じて注目個所を獲得 What is the man riding? Skateboard The man is riding skateboard. The man is skateboarding. The color of the jacket is red. Input image [Shin+, CVPR 2018]

Slide 124

Slide 124 text

ロボットのPick&Place [Hatori+, ICRA 2018]

Slide 125

Slide 125 text

ロボットのPick&Place 実はComprehensionモデル+α [Hatori+, ICRA 2018]

Slide 126

Slide 126 text

精度の発展：「行って帰ってくる損失」 • 機械学習 出力キャプション→入力画像を再推定 cf. CycleGAN[Zhu+, ICCV 2017] 変分自己符号化器 [Pu+, NIPS 2016] 出力キャプションで領域検索 [Luo+Shakhnarovich, CVPR 2017]

Slide 127

Slide 127 text

ロボットのPick&Place 実はComprehensionモデル+α [Hatori+, ICRA 2018]

Slide 128

Slide 128 text

ロボットのPick&Place 実はComprehensionモデル+α [Hatori+, ICRA 2018] Comprehensionに相当する部分 （何をPickするか）

Slide 129

Slide 129 text

ロボットのPick&Place 実はComprehensionモデル+α [Hatori+, ICRA 2018] ＋αに相当する部分 （どこにPlaceするか）

Slide 130

Slide 130 text

どの画像を見ているかを共有したい 10 Round のQA後Questionerが画像を当てる 当たれば2エージェント共に勝利（協調） 10 Rounds [Das+, ICCV 2017]

Slide 131

Slide 131 text

なぜ言語か • 一番トリビアルな解: 「Questionerを無視してAnswererが画像や 画像特徴量を送付」 自然言語（シンボル列）はボトルネックとして 作用→トリビアルな解を回避できる • 人間に理解可能：学習後、どちらかのエー ジェントと人間が交替して対話できる Questioner Answerer 大人が写っていますか？ （無視） [Das+, ICCV 2017]

Slide 132

Slide 132 text

Cooperative Visual Dialog with RL • 強化学習の活用 – AlphaGo [Silver+, Nature 2016] からの着想 – 画像あてゲームの成功/失敗を報酬として最適化 • Fine-tuneとして採用 – 事前学習はこれまで同様教師あり学習 – フルスクラッチでの強化学習だと… • 画像と言語の関係やコミュニケーションプロトコルの 学習が困難 • 学習できたとしても、結果としてエージェントが人間 の言葉を喋る可能性は低い [Das+, ICCV 2017]

Slide 133

Slide 133 text

提案手法による対話と学習 • 質問 と応答 の生成・理解: Hierarchical Recurrent Encoder-Decoder • 画像(特徴量)の推定値ො の出力: 単層全結合ネットワークによる回帰 [Das+, ICCV 2017]

Slide 134

Slide 134 text

定性的な対話結果例 Questioner Answerer A couple of people in the snow on skis.

Slide 135

Slide 135 text

SL-Pretrained（教師あり事前学習のみ） Questioner Answerer A couple of people in the snow on skis. 2 I can’t tell I can’t tell, they are far away I can’t tell Yes Yes Yes Yes Yes Yes How many people? Male or female? What are they wearing? What color are skis? Are they wearing goggles? Are they wearing goggles? Are they wearing goggles? Are they wearing goggles? Are they wearing hats? Are they wearing goggles?

Slide 136

Slide 136 text

RL-full-QAf（提案手法） Questioner Answerer A couple of people in the snow on skis. Are people male or female or both? What are they wearing? Is it snowing? Can you see any trees? Can you see any buildings in background? Can you see any trees? Can you see any buildings in background? Can you see any trees? Can you see any buildings in background? Does it look like they are in park? I think 1 is male, can’t see other 1 ... They are all wearing snow pants and jackets It does not appear to be snowing at moment Yes, there are lot of trees in background No, I can not Yes, there are lot of trees in background No, I do not see any buildings Yes, there are lot of trees in background No , I do not see any buildings It does not appear to be

Slide 137

Slide 137 text

会話データ集めるの大変だよね？ MMD：対話に基づく画像検索（商品推薦） • 従来：対話データで訓練 • 本研究：2枚の画像を比較した キャプションを集めて事前学習 [Guo+, NeurIPS 2018]

Slide 138

Slide 138 text

会話データ集めるの大変だよね？ • 従来 [Anderson+, CVPR 2018] ： – 道順を聞いて動くエージェント (Follower) のみモデル – Follower は正面の画像のみ見ている設定 • 本研究： – 道順そのものを新たな経路から生成できるエージェント (Speaker) を用意→訓練データを拡張 – Follower は360°画像を利用 [Fried+, NeurIPS 2018]

Slide 139

Slide 139 text

まとめ • Deep Learning による視覚・言語融合を俯瞰 1. 画像・動画キャプション生成 2. 言語横断 3. 画像に関する質問への応答 4. キャプションからの画像生成 5. Vision-Aware Dialog • Deep Learning の貢献 – 上記研究課題自体は Deep Learning 以前も存在 – 画像、動画、自然言語処理技術の共通化 – 認識と生成の精緻化 視覚×言語の新たなステージへ