多视角关注的图像文本匹配

我们提出了一种Uncertainty-Aware Multi-View Visual Semantic Embedding (UAMVSE)框架，通过多种视图-文本匹配将整体图像-文本匹配分解，引入了一种不确定性感知损失函数（UALoss）来自适应地建模每个视图-文本对应关系的不确定性，增强了模型理解图像和文本的对应关系的能力。实验结果表明，UAMVSE优于最先进的模型。