Towards Cycle-Consistent Models for Text and Image Retrieval

Tutkimustuotos: Artikkeli kirjassa/konferenssijulkaisussavertaisarvioitu

Tutkijat

Organisaatiot

  • University of Modena and Reggio Emilia

Kuvaus

Cross-modal retrieval has been recently becoming an hot-spot research, thanks to the development of deeply-learnable architectures. Such architectures generally learn a joint multi-modal embedding space in which text and images could be projected and compared. Here we investigate a different approach, and reformulate the problem of cross-modal retrieval as that of learning a translation between the textual and visual domain. In particular, we propose an end-to-end trainable model which can translate text into image features and vice versa, and regularizes this mapping with a cycle-consistency criterion. Preliminary experimental evaluations show promising results with respect to ordinary visual-semantic models.

Yksityiskohdat

AlkuperäiskieliEnglanti
OtsikkoComputer Vision – ECCV 2018 Workshops, Proceedings
ToimittajatLaura Leal-Taixé, Stefan Roth
TilaJulkaistu - 1 tammikuuta 2019
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisuussa
TapahtumaEUROPEAN CONFERENCE ON COMPUTER VISION - Munich, Saksa
Kesto: 8 syyskuuta 201814 syyskuuta 2018
Konferenssinumero: 15

Julkaisusarja

NimiLecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics)
Vuosikerta11132 LNCS
ISSN (painettu)0302-9743
ISSN (elektroninen)1611-3349

Conference

ConferenceEUROPEAN CONFERENCE ON COMPUTER VISION
LyhennettäECCV
MaaSaksa
KaupunkiMunich
Ajanjakso08/09/201814/09/2018

ID: 26801350