[论文]记 Improved Image Captioning via Policy Gradient optimization of SPIDEr 论文报告

这是本人第一次把一篇论文完完全全从了解到推导，而不再是走马观花，特此记下这篇理论上并不难，但是故事编的很好很有学习意义的论文。
本文分三个部分，第一个部分为论文报告内容，第二部分为在报告中自己的一些不足和对论文信息的扩展，最后文末为分享，提供论文链接，以及一些自己在看论文时，无意中发现的一些好文章。

一、论文报告

1.Introduction

1.1 Image Caption背景信息：

1、Image Caption问题描述：可以定义为二元组(I,S)的形式， 其中I表示图，S为目标单词序列，其中S={ $S_1$,$S_2$,…}，其中$S_t$为来自于数据集提取的单词。训练的目标是使最大似然p(S|I)取得最大值，即让生成的语句和目标语句更加匹配，也可以表达为用尽可能准确的用语句去描述图像。在Image Caption中，大多数方法依靠统计学方法，在图像和字幕表述之间建立概率的配对模型，比如MLE。
2、在机器翻译中，有几种标准的图像标注的评价指标：BLEU、METEOR、ROUGE和CIDEr，合称“BCMR”，而COCO上就用的是这四个指标来衡量算法优劣。
3、用以上指标评价Image Caption，在质量上与手动标注的还有一定差距。

当前image caption 存在的四个主要问题：
1、指标的提升
2、暴露误差的累积。
这个是指预测的时候，前面预测的结果是错的，后面的错得越来越离谱。
3、损失函数和评级指标没有直接挂钩。
4、只适用于配对的图像和文本。
本文主要介绍了，作者团队对于指标优化与减少误差累积的贡献。

1.2 SPICE介绍

1、由P. Anderson, B. Fernando, M. Johnson, and S. Gould，在Spice:Semantic propositional image caption evaluation 提出。
2、SPICE是对参考句子进行解析，然后在此基础上，生成一些抽象的场景图表示（scene graph representation），再将生成句与抽象出的图进行比较，而不是直接把生成句和参考句在语法上进行比较。这样用SPICE指标来标注，在语意相关性上表现优于BCMR指标评价下的标注，更容易被人类接受。

1.3