Non-Autoregressive Coarse-to-Fine Video Captioning

• 发表：AAAI 2021
• idea：（1）针对推理阶段不能并行，推理效率低的问题使用一种双向解码（在bert中不使用sequence mask）。（2）对于视觉词汇训练不充分（由于视觉词汇数量远小于非视觉词汇）导致生成的描述比较宽泛的问题，考虑使用一种coarse-to-fine的解码方式，先生成主要的视觉词汇，然后基于这个“模板”进行填充和细调

1. Architecture

Encoder

对2D、3D特征做以下处理

Length Predictor

这里需要预先预测序列的长度L

Decoder

• 这里使用了bert，修改了两处：第一不使用sequence mask，这样解码的时候就变成了bi-directional；第二，没看懂，跟随NMT通过整合复制的源信息来增强解码器输入（上图中右侧的虚线）。
• 同样用了完形填空任务。（这里是mask掉${\beta }_l$~${\beta }_h$的概率）

2. Visual Word Generation

• 生成视觉词汇（动词和名词），在上述decoder的基础上。目标就是将序列中所有不是视觉词汇的单词都mask掉
  

• 优化目标
  
  从左到右依次是长度$L$损失，完形填空损失以及视觉词汇损失

3. Coarse-to-Fine Captioning

这里真的没看懂。。。
就是迭代优化，感觉很繁琐。。。
后期需要这方面的工作再仔细研读研读。。。

4. Experiments