Desktop versionMobile Version

Proceedings of the Third Italian Conference on Computational Linguistics CLiC-it 2016

 | 
Anna Corazza
, 
Simonetta Montemagni
, 
Giovanni Semeraro

Imparare a quantificare guardando

Sandro Pezzelle, Ionut Sorodoc, Aurelie Herbelot und Raffaella Bernardi

Zusammenfassung

In this paper, we focus on linguistic questions over images which may be answered with a quantifier (e.g. How many dogs are black? Some/most/all of them, etc.). We show that in order to learn to quantify, a multimodal model has to obtain a genuine understanding of linguistic and visual inputs and of their interaction. We propose a model that extracts a fuzzy representation of the set of the queried objects (e.g. dogs) and of the queried property in relation to that set (e.g. black with respect to dogs), outputting the appropriate quantifier for that relation.

Volltext

Il secondo autore ringrazia l’Erasmus Mundus European Masters Program in Language and Communication Technologies (EM LCT). Gli altri autori sono stati finanziati dal progetto COMPOSES (ERC 2011 Starting Independent Research Grant n. 283554). Ringraziamo NVIDIA Corporation per la donazione delle GPU usati per questa ricerca.

1 Introduzione

1La linguistica computazionale ed i sistemi di visione artificiale stanno attraversando un momento particolarmente favorevole, ben rappresentato dallo sviluppo di modelli multimodali capaci di svolgere compiti che sembravano fuori portata fino a pochissimi anni fa, e che adesso si trovano integrati in molte applicazioni destinate all’utilizzo da parte degli utenti. Il compito di “Visual Question Answering” (VQA), finalizzato a rispondere a domande a partire da input visivi, e la generazione automatica di didascalie (“caption generation”) sono solo alcuni dei compiti in cui maggiormente si è assistito a un rapido e inarrestabile miglioramento. Oltre a sfociare in dirette applicazioni nel mondo reale, dove i contenuti visivi giocano un ruolo cruciale, la performance di questi modelli di lingua e visione rappresenta anche un indicatore della misura in cui essi riescono a catturare il significato, fornendoci importanti intuizioni teoriche.

2I recenti miglioramenti nel campo delle applicazioni VQA sono da attribuire principalmente alla nuova generazione di reti neurali artificiali di apprendimento profondo (“deep learning neural networks”), insieme alla crescente disponibilità di grandi dataset di immagini. Questi modelli hanno dimostrato che anche reti neurali (RN) molto semplici possono catturare interazioni complesse tra le proprietà di un dataset, spesso superando in performance modelli molto più complessi. Ad esempio, (Zhou et al., 2015) ha recentemente dimostrato che un semplice modello bag-of-words (BoW) può ottenere performance all’avanguardia in uno dei più importanti dataset di VQA (Antol et al., 2015). Gli autori dello studio, tuttavia, obiettano che la performance del modello è da attribuire più alla eccellente abilità della rete di memorizzare correlazioni che a una reale capacità di ragionamento e comprensione, e concludono sostenendo la necessità di passare al secondo obiettivo. Il loro studio dimostra anche quanto difficile sia valutare se un modello sia in grado di afferrare realmente il significato di immagini e parole. Nel presente lavoro proponiamo un compito che riteniamo essere utile per la comunità ai fini del raggiungimento di questo obiettivo.

3Nel compito di VQA, le valutazioni dei modelli si basano su domande che riguardano le proprietà di oggetti specifici, come la posizione, il colore, ecc., mentre nel compito di generazione di didascalie viene presa in considerazione l’intera immagine. In entrambi i casi, è ovviamente possibile imparare correlazioni tra le parole presenti nella domanda, le parole presenti nella risposta e l’immagine stessa (o parti di essa). Presentata a un modello RN insieme alla domanda Cosa sta mangiando?, ad esempio, l’immagine di una persona che mangia una torta attiverà sicuramente l’associazione tra il verbo mangiare e proprietà (sia linguistiche che visive) collegate al cibo, producendo la risposta corretta. Per testare un modello al di là di questo semplice meccanismo, emerge la necessità di proporre un compito in cui una particolare associazione tra domanda e immagine non dia come risultato sempre la stessa risposta.

4Le domande riguardanti il “numero” sono state studiate solo marginalmente in letteratura, e la performance dei sistemi di VQA su queste domande si è dimostrata abbastanza scarsa (Ren et al., 2015; Antol et al., 2015). Inoltre, i lavori precedenti si sono concentrati quasi esclusivamente sulla modellizzazione di cardinali esatti, analizzando quindi solo parzialmente il fenomeno della quantificazione. Nel presente articolo investighiamo un nuovo tipo di domanda che richiede un certo grado di comprensione dei quantificatori generalizzati (few, most, all, ecc.). Il motivo per cui siamo interessati a queste domande è che, per rispondervi, non è sufficiente identificare l’area di un’immagine correlata alla domanda. La domanda In che proporzione i cani sono neri?, ad esempio, richiede qualcosa di più dell’identificazione delle proprietà cane e nero nell’immagine: la rete deve essere in grado di riflettere sulla relazione tra queste proprietà, e di generare uno dei quantificatori, che sono potenzialmente simili tra di loro. L’abilità di identificare i membri di un insieme e le loro proprietà condivise richiede un certo grado di ragionamento più profondo che, sosteniamo, non può essere ottenuto con un semplice meccanismo di memorizzazione.

5In ciò che segue, consideriamo il compito di VQA come un problema di “fill in the blank” (riempire uno spazio vuoto con la parola corretta), e poniamo la domanda In che proporzione i cani sono neri? nella seguente forma: ____ cani sono neri. Le possibili risposte sono selezionate all’interno di un insieme di quantificatori linguistici, ovvero no, few, some, most e all. Per assegnare il quantificatore corretto, il modello deve essere in grado di porre l’attenzione sugli oggetti rilevanti (il restrittore del quantificatore) e di quantificare gli oggetti che, all’interno di questo dominio ristretto, possiedono la proprietà richiesta (la portata del quantificatore). Mostriamo che un semplice modello BoW non è sufficiente per compiere efficacemente questo compito, e proponiamo un modello RN alternativo e linguisticamente motivato, la cui performance risulta essere superiore al modello di (Zhou et al., 2015).

2 Dati

  • 1 Abbiamo scelto oggetti con almeno 16 immagini e che occorrono nel corpus almeno 150 volte.
  • 2 Ognuno dei 161 oggetti è rappresentato da una media di 48 immagini uniche (sd=99), con una distribu (...)

6Abbiamo usato scenari contenenti ognuno sedici immagini estratte da ImageNet. ImageNet ci fornisce immagini annotate manualmente con un’etichetta identificativa dell’oggetto (e.s., dog, wine, pizza, ecc.) e diverse proprietà associate ad esso (e.s., black, furry, ecc.) Abbiamo selezionato tutte le immagini di ImageNet annotate con almeno una proprietà per un totale di 9600 immagini rappresentanti 203 tipi di oggetti e 24 proprietà. Abbiamo poi selezionato le immagini utili per la costruzione del nostro dataset, mantenendo solo gli oggetti che compaiono in un numero significativo di immagini e che vengono menzionati frequentemente nel corpus UkWaC1. Questo ci permette di ottenere rappresentazioni visive e linguistiche adeguate. Applicando questa selezione, abbiamo ottenuto 161 oggetti e 7124 immagini2, che sono state successivamente assemblate in scenari “plausibili”. A tal fine abbiamo calcolato la probablità con cui due oggetti possano far parte di una stessa scena utilizzando la loro co-occorrenza nelle didascalie disponibili in MS-COCO (Lin et al., 2014) – ad esempio, un cane e un divano hanno più possibilità di co-occorrere in una stessa scena rispetto a un elefante e un divano. Abbiamo usato quindi la seguente misura:

in cui o1 e o2 sono due oggetti, f (o1, o2) conta quante volte le etichette di o1 and o2 appaiono nelle didascalie delle stesse immagini, f (o) conta quante volte o appare nella didascalia di MS-COCO in totale, e N è il numero delle parole in tutte le didascalie. Le etichette che non sono usate nelle didascalie ricevono un valore uniformemente distribuito in relazione a tutti gli altri oggetti. 10,000 scenari sono stati generati secondo la procedura seguente:

  • scegliamo un’etichetta a caso dall’insieme di 161 oggetti (e.s., dog);

  • scegliamo una proprietà p dall’insieme delle 24 proprietà (e.s., black);

  • selezioniamo n1 immagini che contengono oggetti con l’etichetta l e n2 immagini che contengono oggetti con l’etichetta l e proprietà p, cosi che 0 ≤ n1 16 and 0 ≤ n2 ≤ n1

  • riempiamo le rimanenti celle dello scenario (16 – n1) con le immagini non etichettate con l ed usando la distanza PMI per scegliere oggetti che possano plausibilmente co-occorrere con l’oggetto target;

  • usando la proporzione tra n1 e n2, calcoliamo quale quantificatore assegnare allo scenario assemblato, seguendo regole pre-definite: no e all sono assegnati quando, rispettivamente, nessun n1 o tutti gli n1 hanno la proprietà p. Per most e few usiamo le stime riportate in (Khemlani et al., 2009), e assegniamo il primo quando la proporzione ùguale o superiore al 70%, e il secondo quando la proporzione è al più 17%. Tutte le proporzioni che cadono tra questi due valori sono assegnate a some. Ad esempio, se n1 = 6 oggetti con l’etichetta l, assegniamo no a casi in cui n2 = 0, few quando n2 = 1 (1/6=0.1667), some quando 2 ≤ n2 ≤ 4, most quando n2 = 5 (5/6 = 0.833), e all quando n2 = 6;

  • da l e p generiamo la domanda (es. How many dogs are black?).

  • 3 Sia i codici che il dataset usati nel presente lavoro saranno resi disponibili per studi successivi

7Come mostrato nell’esempio sopra descritto, nel generare gli scenari abbiamo posto come restrizione che il numero di immagini n1 etichettate con il restrittore sia uguale o maggiore a 6. Sulla base delle proporzioni che abbiamo usato per definire i quantificatori, infatti, tale numero rappresenta il valore minimo per coprire tutti i 5 casi di quantificazione. Questo significa che i modelli non possono migliorare la loro accuratezza semplicemente imparando la correlazione tra valori bassi di n1 e la non plausibilità di few/most negli scenari associati. Inoltre, gli scenari sono uniformemente distribuiti tra i 5 quantificatori. Di conseguenza, ogni quantificatore descrive circa 2000 scenari3.

 

8Rappresentazioni visive Per ogni immagine in ciascuno scenario abbiamo estratto una rappresentazione visiva usando una tecnica che si basa su reti neurali convoluzionali (CNN) (Simonyan and Zisserman, 2014). In particolare, abbiamo usato il modello VGG-19 preaddestrato sui dati di ImageNet ILSVRC (Russakovsky et al., 2015) e il pacchetto MatConvNet (Vedaldi and Lenc, 2015) per l’estrazione delle features. Ogni immagine è rappresentata da un vetttore di 4096 dimensioni estratto dal settimo layer totalmente connesso (“fully-connected layer”) e successivamente ridotto a un vettore di 400 dimensioni usando la tecnica SVD. Questi vettori di 400 dimensioni rappresentano l’input visuale dei nostri modelli.

 

9Rappresentazioni linguistiche La domanda è espressa mediante due parole: parola1, il restrittore del quantificatore, e parola2, la sua portata. Ogni parola è rappresentata da un vettore di 400 dimensioni costruito usando l’architettura CBOW del pacchetto word2vec (Mikolov et al., 2013) e i migliori parametri di (Baroni et al., 2014). Il corpus usato per costruire lo spazio semantico, contentente circa 2.8 miliardi di tokens, è una concatenzione di UKWaC, un ampio estratto in inglese di Wikipedia 2009 e il British National Corpus (BNC).

3 Modelli

10iBOWIMG è il modello di domanda e risposta su immagini (VQA) di (Zhou et al., 2015) adattato al nostro compito, cioè l’apprendimento dei quantificatori. Le domande sono rappresentate da un vettore che mette insieme tutte le parole del vocabolario indicando con “1” quelle presenti (“one-hot bag-of-words”) ed elaborando un vettore basato su proprietà salienti delle parole (“word feature embedding”). La rappresentazione linguistica è concatenata con quella visiva. Il vettore è quindi usato come input da un classificatore (softmax) che sceglie la risposta considerando tutto il vocabolario. L’ultimo passaggio può esser visto come un modello di regressione logistica multi-classe. Per adattarlo al nostro scopo, abbiamo modificato il modello originario in due modi. Abbiamo convertito lo scenario in una singola immagine, concatenando i vettori delle sedici immagini ottenendo un vettore di 6400 dimensioni. Inoltre, la risposta deve essere scelta tra cinque casi (i cinque quantificatori), per cui il vocabolario in output consiste di cinque nodi.

 

11Rete neurale dei quantificatori (RNQ) Questo modello sfrutta i vantaggi delle reti neurali e riesce ad imaparare anche dai propri errori tramite back-propagation. Inoltre, disponendo di celle in cui archiviare le rappresentazioni vettoriali delle singole entità, riesce ad ottenere un’astrazione dello scenario alla quale contribuiscono tutte gli oggetti dello scenario. I passi della rete nurale sono i seguenti: (1) i vettori visuali e linguistici sono transformati in uno spazio di trecento dimensioni (V 1). (2) I vettori visuali delle sedici immagini sono archiviati nelle celle della “memoria”: per ogni cella calcoliamo la somiglianza tra ciascun vettore visuale e il vettore linguistico rappresentante il nome della domanda (e.s. cane); a tal scopo utilizziamo la norma euclidea. Il risultato è un vettore “di somiglianza” di sedici dimensioni (S1). (3) Calcoliamo quindi i vettori pesati di ogni entità moltiplicando le celle della memoria V 1 con i valori corrispondenti di somiglianza in S1. Questo ci dà la rappresentazione di quanta “caninità” ci sia in ognuno degli oggetti. (4) Sunto 1 è calcolato sommando le celle della memoria con i vettori pesati e rappresenta quanta “caninità” ci sia in un certo scenario. (5) Calcoliamo il prodotto scalare tra i vettori pesati (W 1) e il vettore linguistico della proprietà (e.s. nero), e normalizziamo i valori con la norma euclidea. Il risultato è un vettore di somiglianza di sedici dimensioni (S2). Un secondo vettore pesato W 2 è ottenuto moltiplicanto W 1 e S2. Questo ci da la quantità di “caninità nera” in ogni oggetto. (6) Sunto 2 è ottenuto sommando i nuovi vettori pesati che sono archiviati nelle celle della memoria e rappresenta quanta “caninità nera” ci sia in un certo scenario. (7) Sunto 1 e Sunto 2 sono concatenati in un singolo vettore di seicento dimensioni che viene poi trasformato linearmente in un vettore di cinque dimensioni. (8) Applichiamo quindi un classificatore (softmax) che prende come input il vettore di cinque dimensioni e restituisce per ogni quantificatore la probabilità che esso sia la risposta giusta. La rete neurale impara la proporzione tra il nome e la proprietà che caratterizza la relazione espressa dal quantificatore.

4 Risultati

12Il modello a rete neurale RNQ ottiene un’accuratezza del 38.9% contro il 30.8% del modello iBOWIMG. Il modello RNQ va molto bene con no e all e va abbastanza bene con few e most. Ma la sua accuratezza diminuisce per some (18.16%), incidendo negativamente sul risultato complessivo. Una diversa analisi emerge invece dai risultati dell’altro modello, che va abbastanza bene nel predire no e all, ma va molto male negli altri casi. Per esso, few, most e some sono ugualmente difficili da imparare. Sono da rimarcare i suoi errori in particolare nell’apprendere few e most (si veda la Tabella 1). Questi quantificatori richiedono una comprensione più precisa delle proporzioni tra nome e proprietà di quanta non ne richiedano no e all. Pensiamo, quindi, che ciò dimostri i limiti di un modello che non impara ad astrarre ed elaborare le proporzioni. Il modello RNQ compie errori comprensibili, confondendo ad esempio few con no ma non con some, most e all. Ciò dimostra che questo modello ha imparato a quantificare e non semplicemente a tener traccia delle correlazioni nel dataset. Al contrario, l’altro modello confonde few con no e con all in numero uguale.

13In generale, il modello RNQ risulta essere piuttosto immune a possibili effetti collegati alla frequenza con cui ciascuna delle 24 proprietà occorre nel dataset. Si potrebbe pensare che combinazioni molto frequenti vengano imparate meglio di combinazioni poco frequenti, ma questo si rivela essere vero solo per pochi casi, su cui spiccano red e rectangular. Nella maggior parte dei casi, il modello si comporta in modo simile, in termini di riposte giuste/sbagliate, di fronte a combinazioni poco o molto frequenti. Nel caso di alcuni colori (black, blue e violet), notiamo un’accuratezza più alta per combinazioni poco frequenti rispetto a casi molto frequenti (vedi Figura 1). Possiamo dire che la performance del modello RNQ non dipende da effetti di frequenza delle combinazioni presenti nel dataset. Di nuovo, quindi, non si tratta di imparare correlazioni presenti nel dataset, ma per svolgere il compito di quantificazione è necessaria una comprensione più profonda dello scenario visivo e della domanda.

Tabella 1: Matrice di confusione

RNQ

some

all

no

few

most

some

73

88

57

89

95

all

29

211

20

19

125

no

32

28

240

70

32

few

46

53

104

129

68

most

49

148

31

38

126

iBOWIMG

some

all

no

few

most

some

89

77

50

108

78

all

45

163

63

46

87

no

30

69

199

59

52

few

82

81

100

85

52

most

75

110

63

64

80

Figura 1: Risposte corrette e risposte sbagliate del modello in relazione alla frequenza della combinazione nome-proprietà.

Figura 1: Risposte corrette e risposte sbagliate del modello in relazione alla frequenza della combinazione nome-proprietà.

Literaturverzeichnis

Stanislaw Antol, Aishwarya Agrawal, Jiasen Lu, Margaret Mitchell, Dhruv Batra, C. Lawrence Zitnick, and Devi Parikh. 2015. VQA: Visual question answering. In International Conference on Computer Vision (ICCV).

Marco Baroni, Georgiana Dinu, and Germán Kruszewski. 2014. Don’t count, predict! a systematic comparison of context-counting vs. context-predicting semantic vectors. In ACL (1), pages 238–247.

Sangeet Khemlani, Sarah-Jane Leslie, and Sam Glucksberg. 2009. Generics, prevalence, and default inferences. In Proceedings of the 31st annual conference of the Cognitive Science Society, pages 443–448. Cognitive Science Society Austin, TX.

Tsung-Yi Lin, Michael Maire, Serge Belongie, James Hays, Pietro Perona, Deva Ramanan, Piotr Dollar, and C. Lawrence Zitnick. 2014. Microsoft coco: Common objects in context. In Microsoft COCO: Common Objects in Context.

Tomas Mikolov, Kai Chen, Greg Corrado, and Jeffrey Dean. 2013. Efficient estimation of word representations in vector space. arXiv preprint arXiv:1301.3781.

M. Ren, R. Kiros, and R. Zemel. 2015. Image question answering: A visual semantic embedding model and a new dataset. In In International Conference on Machine Learningt Deep Learning Workshop.

Olga Russakovsky, Jia Deng, Hao Su, Jonathan Krause, Sanjeev Satheesh, Sean Ma, Zhiheng Huang, Andrej Karpathy, Aditya Khosla, Michael Bernstein, et al.2015. Imagenet large scale visual recognition challenge. International Journal of Computer Vision, 115(3):211–252.

Karen Simonyan and Andrew Zisserman. 2014. Very deep convolutional networks for large-scale image recognition. arXiv preprint arXiv:1409.1556.

Andrea Vedaldi and Karel Lenc. 2015. MatConvNet – Convolutional Neural Networks for MATLAB. Proceeding of the ACM Int. Conf. on Multimedia.

B. Zhou, Y. Tian, S. Suhkbaatar, A. Szlam, and R. Fergus. 2015. Simple baseline for visual question answering. Technical report, arXiv:1512.02167, 2015.

Anmerkungen

1 Abbiamo scelto oggetti con almeno 16 immagini e che occorrono nel corpus almeno 150 volte.

2 Ognuno dei 161 oggetti è rappresentato da una media di 48 immagini uniche (sd=99), con una distribuzione che va da 13 (pasta) a 1104 (dog). Ogni oggetto è associato a un numero di proprietà che varia da un minimo di 2 (es. lion) ad un massimo di 18 (es. dog) con una media pari a 8 (sd=3.4). All’interno delle 7124 immagini uniche, la coppia oggetto-proprietà pi frequente è furry dog con 769 occorrenze, mentre le meno frequenti (es. pink salmon) occorrono in una sola immagine (media=13.5, sd=37). Infine, la proprietà più frequente, furry, compare in 2936 immagini uniche, seguita da brown (2782) e smooth (2266). La meno frequente è violet, che occorre in 24 immagini. La frequenza media è 801 (sd=837).

3 Sia i codici che il dataset usati nel presente lavoro saranno resi disponibili per studi successivi.

Abbildungsverzeichnis

URL http://books.openedition.org/aaccademia/docannexe/image/1823/img-1.jpg
Datei image/jpeg, 20k
Titel Figura 1: Risposte corrette e risposte sbagliate del modello in relazione alla frequenza della combinazione nome-proprietà.
URL http://books.openedition.org/aaccademia/docannexe/image/1823/img-2.jpg
Datei image/jpeg, 194k

CC-BY-NC-ND-4.0

Nur der Text ist unter der Lizenz CC BY-NC-ND 4.0 nutzbar. Alle anderen Elemente (Abbildungen, importierte Anhänge) sind „Alle Rechte vorbehalten“, sofern nicht anders angegeben.

Lesen

Open access

Kaufen

Suche in OpenEdition Search

Sie werden weitergeleitet zur OpenEdition Search