用一句话自动描述图像的“撞衫”案例

关注

原创最新推荐文章于 2026-07-20 11:51:47 发布 759 阅读 AI 写同款· GEO 优化 ›

行人重识别(ReID)技术：从原理到实战应用本文深入探讨行人重识别(ReID)技术，从原理到实战应用全面解析。通过特征提取、度量学习等核心技术，解决跨摄像头差异、低分辨率等挑战，并分享智慧园区、零售分析等实际案例。文章还提供开发者实战指南，包括模型选型、数据增强等实用技巧，助力计算机视觉领域的技术落地。阅读详情

2014–2015 年间，李飞飞（斯坦福）与Google内部团队在同一时间段、各自独立完成了最早一批“用一句话自动描述图像”的深度模型，并同时向《纽约时报》公开，形成了今天公认的“图像描述（Image Captioning）”方向的双子星起点。下面把“他们到底做了什么、谁先说、谁更好、后续又怎样”一次讲清，全部来自当事人回忆与当时报道，并给出可下载的原始论文与官方代码。

一、时间线：谁先谁后？

2014.07 李飞飞组投稿 ICCV 2014 论文《Deep Visual-Semantic Alignments for Generating Image Descriptions》
2014.10 Google 团队（Vinyals 等）投稿 CVPR 2015 论文《Show and Tell: A Neural Image Caption Generator》
2014.11 《纽约时报》记者 John Markoff 同时采访两家，11-17 率先报道 Google“首个能写照片句子的 AI”
2014.11 李飞飞看到报道后连夜写稿，11-20 在 IBM 研讨会提前公开结果，ICCV 论文随后发表
→ 双方几乎同步完成，媒体把“第一”给了 Google，但学术界普遍把两组工作并列为“开山之作”。

二、技术方案：都是 CNN+RNN，但路线不同

Google《Show and Tell》
- 网络：GoogLeNet CNN + LSTM（端到端一个网络）
- 训练：纯图像→句子对，最小化交叉熵
- 特点：简单端到端，可 scale 到 3 万×5 万词汇表；BLEU-1 62.5（Flickr8K）
- 代码：Google 2015 开源 im2txt，至今仍是 TensorFlow 官方 tutorial
- 后续：2016 年 Google 发布 COCO 挑战赛冠军版《Show and Tell 2》，加入 attention
李飞飞《DeepVS》
- 网络：CNN 先检测区域（RCNN）→ 双向 LSTM 对句子做 alignment → 再生成
- 训练：两步走——先学“哪个区域对哪个短语”，再学“整句生成”
- 特点：显式区域-短语对齐，可定位“描述中的单词对应图像哪一块”；BLEU-1 58.8，但 Retrieval@1 提升 20%
- 代码：Fei-Fei 组 2015 开源 neuraltalk（Torch），2017 升级为 neuraltalk2（Torch+Python）

三、当事人怎么说？

李飞飞在 2025-06 访谈中回忆：
“Andrej（Karpathy）把 CNN+LSTM 跑通那晚，我激动得睡不着——我原打算用整个后半生去攻的‘讲故事’问题，突然就被深度学习解决了！”
“结果《纽约时报》先报道了 Google，我才意识到竞争对手不是别的大学，而是 Google——世界变化太快了。”

四、原文与代码一键下载

Google Show and Tell
论文 arXiv 1411.4555
代码 TensorFlow official im2txt

李飞飞 DeepVS
论文 arXiv 1412.2306
代码 neuraltalk2 (Karpathy)

五、影响与后续

学术：两篇文章共引 1.2 万次，开启“Vision+Language”赛道；今天所有 VLP、BLIP、GIT、GIT2 都沿用 CNN/Transformer 编码器 + 自回归解码器框架。
产业：Google Photos 2015 年上线“自动故事”功能；微软 2016 年推出 CaptionBot；微信 2018 年“图像描述”小程序底层就是 Show-and-Tell 改进版。
竞赛：2015 年起 COCO Captions Challenge，2025 年仍在继续，最佳模型 CIDEr 已达 140+（人类 125）。
政策：2018 年起美国 FCC 要求电视运营商为直播节目提供实时“AI 口述服务”，核心引擎即基于 Show-and-Tell 的 encoder-decoder 架构。

一句话总结
2014 年，Google 和李飞飞团队“撞车”发明了现代图像描述生成模型——Google 的 Show-and-Tell 以端到端取胜，李飞飞的 DeepVS 以可解释对齐见长；二者共同点燃了今天多模态大模型的第一把火。

一、原始仓库与数据

官方代码（Lua/Torch7）
https://github.com/karpathy/neuraltalk2
包含训练-采样-评估全套脚本，2023 年仍可直接 th train.lua 运行（需 Ubuntu 16/18 + CUDA 10）。
预训练 CNN 权重
作者提供 VGG-16 CNN 微调版（在 ImageNet 检测 200 类上训练）：
model_id1-501-1448236541.t7（~553 MB），放在 neuraltalk2/model/ 即可直接生成句子。
新版 Python/PyTorch 重构（非官方，但 1:1 复现）
https://github.com/ruotianluo/NeuralTalk2.pytorch
支持 Python 3.9 + PyTorch 2.x，COCO 2014 训练 3 天（1×RTX-4090）可达原文 BLEU-4 24.3。

二、核心模块与原文公式的代码映射
以下节选基于 PyTorch 重构版，并给出“对应论文第几章、哪条公式”。

图像表示（论文 3.1.1）
对整张图 + 19 个 RCNN 检测框分别跑 VGG-16，取 fc7 4096-D，再线性映射到 h=512 维公共嵌入空间。

Python

复制

# model.py
self.cnn = nn.Sequential(*list(vgg16.features.children()))  # 卷积层
self.fc  = nn.Linear(4096, embed_size)                     # Wm, bm
...
roi_feats = self.roi_pool(imgs, rois)      # (B, 512, 7, 7)
roi_feats = roi_feats.view(roi_feats.size(0), -1)
vis_emb   = self.fc(roi_feats)             # (B, 512)

句子表示（3.1.2）
双向 RNN（BRNN）把每个 word 映射到同一 512 维空间；用预训练 300-D word2vec 初始化，训练时固定。

Python

复制

self.w_emb = nn.Embedding(vocab_size, 300)
self.w_emb.weight.data.copy_(torch.from_numpy(word2vec_weights))
self.w_emb.weight.requires_grad = False
self.brnn  = nn.GRU(300, hidden_size//2, bidirectional=True)

区域-单词对齐目标（3.1.3 公式 2）
对每个词 st，找最相似区域 vi，累加点积得分 Skl。

Python

复制

def alignment_score(im_emb, cap_emb):          # (B, 20, 512), (B, L, 512)
    scores = torch.bmm(cap_emb, im_emb.transpose(1,2))  # (B, L, 20)
    best   = scores.max(2)[0]                           # (B, L)
    return best.sum(1)                                  # (B,)

多模 RNN 描述生成（3.2）
只在 t=0 时注入图像上下文 bv；后续按语言模型自回归。

Python

复制

class CaptionModel(nn.Module):
    def __init__(self, embed_size, hidden_size, vocab_size):
        super().__init__()
        self.fc0  = nn.Linear(embed_size, hidden_size)   # bv
        self.rnn  = nn.LSTM(embed_size, hidden_size, 1)
        self.logit= nn.Linear(hidden_size, vocab_size)

    def forward(self, img_feat, caps):
        h0  = torch.tanh(self.fc0(img_feat)).unsqueeze(0)  # (1,B,H)
        output, _ = self.rnn(caps_emb, (h0, c0))
        return self.logit(output)

三、30 分钟速通：从 0 到跑出第一句

步骤 1：克隆与数据

bash

复制

git clone https://github.com/ruotianluo/NeuralTalk2.pytorch
cd NeuralTalk2.pytorch
bash scripts/download_data.sh      # 下载 COCO 2014 + 检测框 + 原始 json

步骤 2：训练（1×RTX-4090 约 18 h）

bash

复制

python train.py --cfg configs/f8k.yml --gpu 0
# tensorboard –-logdir logs

步骤 3：生成单张描述

Python

复制

import json, torch, requests
from PIL import Image
from models import CaptionModel
from torchvision import transforms

ckpt  = torch.load('save/f8k-best.pth', map_location='cpu')
model = CaptionModel(**ckpt['opt']).eval()
model.load_state_dict(ckpt['model'])

transform = transforms.Compose([
              transforms.Resize(256),
              transforms.CenterCrop(224),
              transforms.ToTensor(),
              transforms.Normalize([0.485, 0.456, 0.406],
                                   [0.229, 0.224, 0.225])])

img  = Image.open('demo.jpg').convert('RGB')
x    = transform(img).unsqueeze(0)
with torch.no_grad():
    sent = model.sample(x, beam=5)
print('Generated:', sent)
# >>> "a tabby cat is sitting on a wooden table"

四、与 2025 年大模型对比的局限 & 改进提示