要約
マルチモーダル学習におけるアテンションネットワークは、与えられた視覚情報を選択的に利用する効果的な方法を提供します。しかし、各マルチモーダル入力チャネルのペアに対してアテンション分布を学習するための計算コストは非常に高いため、実用的ではありません。この問題を解決するために、共通アテンション（co-attention）は各モーダルに対して独立した2つのアテンション分布を構築し、マルチモーダル入力間の相互作用を無視します。本論文では、与えられた視覚言語情報を利用するために双線形アテンション分布を見つける双線形アテンションネットワーク（BAN: Bilinear Attention Networks）を提案します。BANは2つの入力チャネルグループ間の双線形相互作用を考慮し、低ランク双線形プーリングが各チャネルペアの結合表現を抽出します。さらに、BANの8つのアテンションマップを効率的に活用するためのマルチモーダル残差ネットワークの変種も提案します。我々はVQA 2.0およびFlickr30k Entitiesデータセットにおいて、提案モデルの定量的および定性的評価を行い、BANが従来の手法を大幅に上回り、両データセットで新たな最先端性能を達成することを示しています。