卷积网络循环网络结合-CNN+RNN
1. CNN+RNN
相同点
都是传统神经网络的扩展；前向计算产生结果，反向计算进行模型的更新；每层神经网络横向可以多个神经元共存，纵向可以有多层神经网络连接。
不同点
CNN进行空间扩展，神经元与特征卷积；RNN进行时间扩展，神经元与多个时间输出计算；RNN可以用于描述时间上连续状态的输出，有记忆功能；CNN则用于静态输出；CNN高级结构可以达到100+深度；RNN的深度有限。
组合的意义
大量信息同时具有时间空间特性：视频，图文结合，真实的场景对话；带有图像的对话，文本表达更具体；视频相对图片描述的内容更完整。
组合方式
CNN特征提取，用于RNN语句生成->图片标注
RNN特征提取用于CNN内容分类->视频分类
CNN特征提取用于对话问答->图片问答
组合方式实现
特征提取： LSTM输出（考虑不同时间研究对象的特征），FC层输出。特征合并 Concatenate层（合并在一起形成更长的向量），Attention相乘（某些区域加强，某些区域削弱）。结果输出 连续语句输出LSTM，组合分类回归DNN。
2. 图片标注
问题描述
拥有大量图片及其标注信息，能够通过学习建立一个能够自动图片标注的模型？
基本思路
目标是产生标注语句，是一个语句生成的任务，根本上来说是一个RNN的任务，使用LSTM。描述的对象是大量的图像信息，进行图像信息的表达，使用CNN。CNN网络中全连接层利用特征进行图片的描述，特征与LSTM输入进行结合。
模型设计
1. 整体结构
2. 特征提取
图片特征：CNN全连接层提取；语言特征：Word2Vec。
3. 数据准备
图片CNN特征提取；图片标注生成Word2Vec向量；生成训练数据：图片特征+第n个单词向量->第n+1个单词向量。
4. 模型训练
运用迁移学习进行模型构建和训练，用于CNN特征，语句特征应用已有的模型；最终的输出模型是LSTM，训练过程的参数：设定梯度上限（gradient clipping）用于防止梯度爆炸、学习率调整（adaptive learning）
5. 模型运行
CNN进行特征提取；CNN特征+语句的开头，单词逐个预测；
图片标注升级-详细标注
DenseCap，主要基于Faster R-CNN
3. 视频行为识别
常用方法
CNN特征简单组合
3D版本CNN
RNN+CNN
RNN用于CNN特征融合
CNN进行特征提取；LSTM判断；
多次识别结果进行分析。
CNN进行特征提取；
LSTM融合；Linear regr + Softmax分类。
RNN用于CNN特征筛选+融合
并不是所有的视频图像包含确定分类信息；RNN用于确定哪些frame是有用的；对有用的图像特征融合；
RNN用于目标检测
CNN直接产生目标候选区；LSTM对产生候选区进行融合（相邻时刻位置近似）；确定最终的精确位置。
4. 图片/视频问答
给定一张图片，提出图片内容相关问题，问答模型给出答案。
问题的种类
方法流程
按照语言问答路程解决；图片特征同语言特征融合；训练数据：问题+图片->答案
模型设计
纯文字问答系统
背景故事生成（word embedding）问题特征生成；背景，问题特征融合；标准答案回归。
图片问答系统
基本模型
背景故事特征生成-CNN；问题特征生成；背景，问题特征融合；标准答案回归。
模型优化1
对图片特征向量进一步处理，建立CNN特征的fisher特征；提高特征表达的效率，更容易同encoding特征组合。
模型优化2
用问题作为“候选区域”对原始CNN特征图局部识别。
模型优化3
注意力图对图片问答进行帮助；根据问题产生第一次注意力图；然后产生最终的注意力图；
5. 实例：学习Image Caption 图片自动标注
一个将图片转换为相应文字描述的例子。
fork代码参见：https://github.com/KoalaTree/models/tree/master/im2txt
