画像キャプション生成における高速エンドツーエンド学習における複数のシーケンス長の活用

本稿では、入力のシーケンスに含まれる要素数に制約されない処理を行う「拡張機構（Expansion mechanism）」という手法を提案する。この機構により、従来のアテンションベースのアプローチと比較して、モデルがより効果的に学習可能となる。この主張を裏付けるために、MS COCO 2014 Image Captioningチャレンジにおいて優れた成果を達成した新しいアーキテクチャ「ExpansionNet v2」を設計した。本モデルは、オフラインテストスプリットにおいて143.7 CIDErD、オンライン評価サーバーでは140.8 CIDErD、またnocapsバリデーションセットでは72.9 AllCIDErというスコアを記録し、それぞれのカテゴリで最先端（SOTA）の性能を達成した。さらに、従来の手法と比較して最大2.8倍高速なエンドツーエンド学習アルゴリズムも提案した。ソースコードは以下のURLで公開されている：https://github.com/jchenghu/ExpansionNet_v2