Bornon：基于Transformer深度学习方法的孟加拉语图像描述生成
计算机视觉与模式识别
2021-09-14 v1
摘要
基于编码器-解码器的方法使用CNN作为编码器、RNN等序列生成器作为解码器进行图像描述生成已被证明非常有效。然而，该方法存在一个缺点，即序列必须按顺序处理。为克服这一缺点，一些研究者利用Transformer模型基于英文数据集从图像生成描述。然而，他们中无人使用Transformer模型生成孟加拉语描述。因此，我们利用三个不同的孟加拉语数据集，使用Transformer模型从图像生成孟加拉语描述。此外，我们将基于Transformer的模型性能与基于视觉注意力的编码器-解码器方法进行了比较。最后，我们将基于Transformer的模型结果与使用不同孟加拉语图像描述数据集的其他模型进行了比较。
引用
@article{arxiv.2109.05218,
title = {Bornon: Bengali Image Captioning with Transformer-based Deep learning approach},
author = {Faisal Muhammad Shah and Mayeesha Humaira and Md Abidur Rahman Khan Jim and Amit Saha Ami and Shimul Paul},
journal= {arXiv preprint arXiv:2109.05218},
year = {2021}
}