（七十五）：Bangla Image Caption Generation through CNN-Transformer based Encoder-Decoder Network

• 出处：CoRR abs/2110.12442 (2021)
• 代码：https://github.com/pioneerAlpha/BanglaImageCaptioning
• 题目：通过基于CNN-Transformer的编码器-解码器网络生成孟加拉图像标题
• 主要内容：感觉文章很水，利用图像描述的数据集不同，翻译为Bangla孟加拉语言，模型还是Transformer基础架构。（看完有些浪费时间的感觉，不过这篇文章有代码可以看一下。）

Abstract

自动图像标注是一种持续不断的工作，它以自然语言和上下文为图像创建语法和验证文本描述的准确性。现有的孟加拉语图像标注(BIC)研究中使用的编码器-解码器结构利用抽象图像特征向量作为编码器的输入。
我们提出了一种新颖的基于变压器的架构，该架构具有注意机制，使用预训练的ResNet-101模型图像编码器进行图像特征提取。
实验表明，我们技术中的局域语言解码器捕获标题中的细粒度信息，然后与图像特征配对，在BanglaLekhaImageCaptions数据集上生成准确和多样化的标题。我们的方法优于所有现有的孟加拉语图像字幕工作，并设置了一个新的基准，在BLEU-1上得分0.694，在BLEU-2上得分0.630，在BLEU-3上得分0.582，在METEOR上得分0.337。

1. Introduction

描述的目的是在文本中描述图像的实质。许多字幕算法现在遵循编码器-解码器的架构