多模態(tài)深度學(xué)習(xí)：用深度學(xué)習(xí)的方式融合各種信息
極市導(dǎo)讀
?在實(shí)踐中，對于結(jié)合不同模態(tài)之間的沖突的任務(wù)，通常將不同輸入的高級嵌入連接起來，然后應(yīng)用softmax去結(jié)合不同模態(tài)之間的沖突，但它將給予所有子模式同等的重要性。文章講述采用對網(wǎng)絡(luò)進(jìn)行加權(quán)組合的方式，在兩個現(xiàn)實(shí)多模態(tài)數(shù)據(jù)集上得到了SOTA。?>>加入極市CV技術(shù)交流群，走在計(jì)算機(jī)視覺的最前沿
多模態(tài)數(shù)據(jù)
我們對世界的體驗(yàn)是多模態(tài)的 —— 我們看到物體，聽到聲音，感覺到質(zhì)地，聞到氣味，嘗到味道。模態(tài)是指某件事發(fā)生或經(jīng)歷的方式，當(dāng)一個研究問題包含多個模態(tài)時，它就具有多模態(tài)的特征。為了讓人工智能在理解我們周圍的世界方面取得進(jìn)展，它需要能夠同時解釋這些多模態(tài)的信號。例如，圖像通常與標(biāo)簽和文本解釋相關(guān)聯(lián)，文本包含圖像，以更清楚地表達(dá)文章的中心思想。不同的模態(tài)具有非常不同的統(tǒng)計(jì)特性。
多模態(tài)深度學(xué)習(xí)
雖然結(jié)合不同的模態(tài)或信息類型來提高效果從直觀上看是一項(xiàng)很有吸引力的任務(wù)，但在實(shí)踐中，如何結(jié)合不同的噪聲水平和模態(tài)之間的沖突是一個挑戰(zhàn)。此外，模型對預(yù)測結(jié)果有不同的定量影響。在實(shí)踐中最常見的方法是將不同輸入的高級嵌入連接起來，然后應(yīng)用softmax。
多模態(tài)深度學(xué)習(xí)的例子，其中使用不同類型的神經(jīng)網(wǎng)絡(luò)提取特征
這種方法的問題是，它將給予所有子網(wǎng)絡(luò)/模式同等的重要性，這在現(xiàn)實(shí)情況中是非常不可能的。
所有的模態(tài)對預(yù)測都有相同的貢獻(xiàn)
對網(wǎng)絡(luò)進(jìn)行加權(quán)組合
我們采用子網(wǎng)絡(luò)的加權(quán)組合，以便每個輸入模態(tài)可以對輸出預(yù)測有一個學(xué)習(xí)貢獻(xiàn)(Theta)。我們的優(yōu)化問題變成-
對每個子網(wǎng)絡(luò)給出Theta權(quán)值后的損失函數(shù)。
將權(quán)值附加到子網(wǎng)后預(yù)測輸出。
把所有的都用起來！
準(zhǔn)確性和可解釋性
我們在兩個現(xiàn)實(shí)多模態(tài)數(shù)據(jù)集上得到了SOTA：Multimodal Corpus of Sentiment Intensity(MOSI) 數(shù)據(jù)集 —— 有417個標(biāo)注過的視頻，每毫秒標(biāo)注的音頻特征。共有2199個標(biāo)注數(shù)據(jù)點(diǎn)，其中情緒強(qiáng)度定義為從strongly negative到strongly positive，線性尺度從- 3到+3。
模態(tài)包括：
1、文本
2、音頻
3、語言
每種模態(tài)對情緒預(yù)測的貢獻(xiàn)量
Transcription Start Site Prediction(TSS)數(shù)據(jù)集 ——?Transcription是基因表達(dá)的第一步，在這一步中，特定的DNA片段被復(fù)制到RNA (mRNA)中。Transcription起始位點(diǎn)是transcription開始的位置。DNA片段的不同部分具有不同的特性，從而影響其存在。我們將TSS分為三個部分：
上游DNA 下游DNA TSS位置
我們?nèi)〉昧饲八从械母纳疲戎暗淖钕冗M(jìn)的結(jié)果3%。使用TATA box的下游DNA區(qū)域?qū)@一過程影響最大。
英文原文：https://towardsdatascience.com/multimodal-deep-learning-ce7d1d994f4
推薦閱讀
