王少晖， 莫建文

(桂林电子科技大学 信息与通信学院,广西 桂林 541004)

图像描述能够使计算机生成与图像内容对应的描述性语句，这种计算机“视说能力”倍受研究人员青睐。20世纪90年代就有了相关的研究[1]，由于当时计算机计算能力的局限性，该技术的研究与发展受到了限制。近年来，计算机的计算能力得到飞跃的提升，图像描述的研究得到有力支持，再次成为研究热点。

随着神经网络在许多领域取得卓越成果，研究人员将卷积神经网络[2](convolutional neural networks，简称CNNs)和循环神经网络[3](recurrent neural networks，简称RNNs)引入到图像描述任务中，实现了图像语义特征的提取和语义特征语句的构建，这种基于神经网络的网络模型简称为CNN-RNN模型。Mao等[4]最先采用CNN-RNN模型，其中CNN子网负责图像的特征提取，RNN子网将CNN子网提取的特征作为辅助信息生成语句，值得一提的是该方法中RNN子网仅是传统的RNN。Vinyals等[5]提出的方法中使用长短期记忆网络[6](long short-term memory，简称LSTM)代替RNN来生成语句，训练网络时出现的梯度消失和爆炸[7]状况得到了改善。Karpathy等[8]在RNN子网中采用了一种改进的LSTM，称为双向长短期记忆网络[9](bi-directional long short-term memory，简称BLSTM)，并通过该网络构建了更紧密的映射关系。Wang等[10]借助斯坦福句法分析器将语句分解为结构和属性，用2个LSTM组成RNN子网分别生成结构和属性，根据先验知识得到描述性语句。为了使图像描述更快地生成语句和更高效地利用计算机资源，针对LSTM中采用3个门分别控制信息的传递方式过于复杂的问题，在Vinyals等[5]的方法中引入门控循环单元，提出一种基于门控循环单元的图像描述方法。

1 LSTM

LSTM的内部结构如图1所示。

图1 LSTM的内部结构

LSTM内部结构有单元状态c和状态h两个隐含状态，遗忘门、输入门、输出门3个门。LSTM的内部运算为3个门对信息的处理。

1)假设当前LSTM处于t时刻且输入为xt，前一时刻单元状态ct-1的信息保留，遗忘门读入当前输入xt和前一时刻隐含状态ht-1，通过计算得到ft∈[0,1]，ft控制单元状态ct-1信息保留程度，即

ft=σ(Wf[ht-1,xt]+bf)。

ft=1时表示信息完全保留，ft=0时表示信息完全丢弃，σ(·)为Sigmoid激活函数，保证了输出为0～1的实数。

2)输入xt，保留前一时刻隐含状态ht-1的信息，输入门读入当前输入xt和前一时刻隐含状态ht-1，通过计算得到it，it∈[0,1]，it通过对输入xt和前一时刻隐含状态ht-1的新表示形式gt进行操作来控制输入xt和前一时刻隐含状态ht-1的信息保留程度，即

it=σ(Wi[ht-1,xt]+bi)，

gt=δ(Wg[ht-1,xt]+bg)，

其中δ(·)为Tanh函数。

3)更新单元状态ct-1，将遗忘门操作后的单元状态ct-1与输入门操作后的gt相加得到t时刻单元状态ct，

ct=ftct-1+itgt。

4)输出门读入当前输入xt和前一时刻隐含状态ht-1，通过计算得到ot∈[0,1]，ot对经δ转换的当前时刻单元状态ct进行保留操作，得到LSTM的t时刻输出ht，

ot=σ(Wo[ht-1,xt]+bo)，

ht=otδ(ct)。

LSTM的门结构减缓了梯度消失或爆炸，但也增加了RNN子网的时间复杂度和空间复杂度。通过3个门逐一对信息的处理增加了计算量，各自的权重和偏置需要占用更多的计算机资源。

2 基于门控循环单元的图像描述

2.1 门控循环单元

门控循环单元[11](gated recurrent unit，简称GRU)的内部结构如图2所示。

图2 GRU的内部结构

从图2可看出，仅需计算隐含状态h和复位门、更新门。

1)当t时刻的输入xt传入GRU时，首先保留前一时刻隐含状态ht-1转换为候选信息前的信息，复位门读入当前输入xt和前一时刻隐含状态ht-1进行计算得到的rt∈[0,1]，rt控制前一时刻隐含状态ht-1的信息保留程度，即

rt=σ(Wr[ht-1,xt]+br)。

zt=σ(Wz[ht-1,xt]+bz)，

其中δ(·)为Tanh函数。

3)对前一时刻隐含状态ht-1进行更新，更新门的输出zt减1后，将前一时刻隐含状态ht-1控制后的结果与更新门保留操作后的候选信息ht相加，得到GRU的t时刻输出ht，

循环神经网络中，运算量主要集中在各个门权重矩阵与输入的乘法上，因此在计算时间复杂度时将门的运算量记为N，则LSTM的时间复杂度为4N，GRU的时间复杂度为3N。占用存储空间的参数主要是由隐含状态和门的权重、偏置组成，隐含状态参数个数与门总的参数个数相近，因此在计算空间复杂度时将隐含状态和门的空间复杂度记为S，则LSTM的空间复杂度为5S，GRU的时间复杂度为3S。

在LSTM与GRU的内部结构、运算过程分析和复杂度比较中，显然GRU的内部结构更为简洁，运算过程更为高效，复杂度更有优势，因此GRU可以有效地优化内部运算过程，减少RNN子网的网络参数。通常，网络在运行时需要将参数加载到内存中，因此减少参数个数会使网络占用的内存相应减少。考虑到GRU的这些优点，引入GRU作为RNN子网的循环神经网络，通过优化RNN子网来提高网络的实时性，减少网络消耗的计算机资源。为了突显方法的有效性，在Vinyals等[5]的方法基础上进行改进，设计了基于门控循环单元的图像描述网络。

2.2 基于门控循环单元的网络结构

基于门控循环单元的网络结构如图3所示。CNN子网与Vinyals等[5]的方法相同，使用的是Google研究团队提出的Inception v3，而RNN子网与Vinyals等[5]的方法不同，使用的是GRU这种循环神经网络。

图3 基于门控循环单元的网络结构

网络的运算过程分为2步：

1)CNN子网将待描述的图像I经前向传播生成图像语义特征向量Ie。

Ie=CNN(I)，h0=GRU(Ie,0)，

其中：I为输入图像；CNN(·)为CNN的前向传播计算；Ie为输入图像I经CNN前向传播计算后生成的图像语义特征向量；GRU(·)为GRU的前向传播计算；h0为0时刻隐含状态；E为词嵌入矩阵；W、b分别为输出层的权重、偏置；t=1,2,…,n。

网络训练时，CNN子网将图像作为输入样本，将图像对应的语句标签P作为监督信号，则损失函数为

3 实验设计及结果分析

网络验证时，采用主流的MSCOCO数据集进行网络训练和测试[12]。网络性能的衡量采用BLEU、METEOR、ROUGE和CIDEr这4种评估方式，其中BLEU由B@1、B@2、B@3和B@4组成。

为了更好地比较性能，采用与NIC[5]相同的训练方式和超参数设置。训练完成后，生成的示例如图4所示。从图4可看出，本方法生成的描述性语句能够简洁地反映出图像内容。

图4 本方法生成的示例

客观性能评估方面，将本方法(inception v3+GRU)与Deep VS、m-RNN、NIC(inception v3+LSTM)在MSCOCO测试集上进行比较，得到性能评价如表1所示。

表1 4种方法在MSCOCO数据集上的性能评价

从表1可看出，本方法在7种评估方式中的评分比Deep VS、m-RNN有明显优势；与NIC(改进前的方法)在小数点后一位依然保持一致，因此这2种方法整体生成的语句质量相差甚微，实际上，在训练时这2种方法的收敛情况并无显著区别，具体收敛情况如图5所示。

图5 2种方法的收敛情况

从图5可看出，在10×105次迭代中2种方法得到的曲线基本重合，即收敛情况相当，本方法与NIC[5]方法在生成语句的整体质量及其收敛情况无法分出高低，但在生成语句时消耗的时间以及占用的计算机资源存在明显差异，本方法中RNN子网生成语句时消耗的时间和占用的内存均少于NIC方法。2种方法在不同模式下RNN子网生成语句消耗的时间如图6所示。

图6 2种方法中RNN子网消耗的时间

从图6可看出，2种方法都远远超过了各自CPU模式所消耗的时间，本方法无论在CPU模式下还是GPU模式下RNN子网生成语句消耗的时间都更少。2种方法RNN子网生成语句的平均时间和参数个数如表2所示。

表2 2种方法RNN子网生成语句的平均时间和参数个数

从表2可看出，CPU模式下，本方法RNN子网生成语句的平均时间比NIC方法减少了0.03 s，占NIC方法平均时间的3.15%；GPU模式下，本方法RNN子网生成语句的平均时间比NIC方法减少了0.01 s，占NIC方法平均时间的2.5%；参数个数方面，本方法减少了25%，通过参数个数的大幅度减少，使得网络运行时占用的内存相应地减少。

4 结束语

将门控循环单元引入图像描述任务中，提出了一种基于门控循环单元的图像描述方法。该方法有效地解决了RNN子网生成语句时消耗时间较长和网络运行时占用的内存较大的问题。在生成语句的性能评估中，本方法生成的语句质量仍然保持原方法的水平，且生成语句消耗的时间显著减少，其中CPU模式下仅需0.92 s，GPU模式下仅需0.39 s；同时，通过减少RNN子网大约77万个参数的方式，使得网络运行时占用的内存更小。