这篇文章是微软的工作，是和谷歌《show and tell》同时期的文章，它们都去参加了微软的Image Caption比赛（MS COCO caption challenge），总的结果是并列第一。
文章的框架不是我们常见的encoder-decoder类型，但是仍然有启发意义。
文章生成caption的思路是
（1）给出一幅图像，首先使用视觉检测器提取出图像中可能存在的单词。
（2）提取完单词后，采用传统的方法，而不是lstm来进行语言建模。得到若干预测的captions.
（3）使用DMSM模型（deep multimodal similarity model）计算captions和图像的相似度 ，取最相似的一个caption作为最终的预测结果。
实现细节如下：
（0）准备工作
作者首先在所有的captions中提取了1000个单词，它们占到了所有单词出现次数的92%以上。
按照我们的想法，首先我们要提取图像中可能存在的词汇，对于 cat dog 等这一类名词，使用BBs框出来是比较容易的，但是一些抽象的词，比如 beautiful 没办法限定在图像特定的区域上。 作者使用的方法是使用弱监督的多实例学习（MIL）。
下面简单的介绍一下多实例学习（Multiple Instance Learning，MIL）
首先来简单介绍下多示例学习。多示例学习实际是一种半监督算法。考虑这样一种训练数据：我们有很多个数据包(bag)，每个数据包中有很多个示例(instance)。我们只有对bag的正负类标记，而没有对instance的正负例标记。当一个bag被标记为正时，这个包里一定有一个instance是正类，但也有可能其他instance是负类，当一个bag被标记为负类时，它里面的所有instance一定是负类。我们的目标是训练一个分类器，可以对instance的正负进行判别。
多示例学习在现实中其实很常见。如一篇文章违禁时通常是因为该文章具有某些违禁词，但我们可能无法知道具体是哪个词违禁。在这个例子中，bag就是文章，instance就是单词。又如在医学图像领域，CT图被标定为有无病症，而一个人有病症是因为在CT图的某个区域被检测为病灶区域。我们往往只有CT图的标注，但没有CT图中每个区域的标注。这时，bag就是CT图像，而instance就是CT图中的小区域。
在这篇论文中，就是使用多示例学习来处理从图片出提取单词这一问题。对每一个单词来说，标注中含有该单词的图片就是正例的bag，图中的区域就是instance。
由此，我们使用多示例学习方法进行两步迭代，第一步是利用当前算法，选出正例bag中最有可能是正例的instance、以及负例bag的instance。这样，我们就有了大量instance的标签（1000个单词）。
第二步是利用选出的正例instance进行训练，更新训练，这就是一个监督学习的过程了。这样迭代下去，就可以对图片的区域进行分类。
这样给出一个图片的区域，我们就可以提取所需要的单词。文章采用的是针对目标检测改进版的多示例学习方法Noisy-OR MIL，来自（《Multiple instance boosting for object detection》）。
可以看出，最核心的两个问题是
怎么找最有可能时正例的instance（图像区域）和用什么网络架构对选出的instance进行训练。
测试的时候，给出一幅图像i，对每个区域j，计算该区域包含单词w的概率，计算出图像 i包含单词w的概率。
将图像输入训练好的全连接网络，输出12*12的特征图，特征图每个位置代表了图像上的一个区域（可能有重叠），利用这个特征图进一步产生词的概率。
训练的时候，我们把不同区域的特征输进网络，然后做一个多标签的预测。比如某一个标签是‘dog’,如果所有的区域特征输进网络，得到的结果都不是'dog;，我们判定该图像在‘dog’这个标签上是一个负包。否则是一个正包。根据图像对应的caption,我们可以知道图像在‘dog’上的gt究竟是正包还是负包。这就可以计算损失函数。
如果损失函数不为0，更新梯度值。
利用传统 的方法生成若干captions，这一部分没看懂。
建立DMSM模型计算captions和image的相似度。DMSM是一对神经网络。
将前面那个全卷积网络的最后fc表示叠加三个tanh非线性层，作为图像特征的表示。图像特征提取完成。（Q）
引入DSSM，将文本映射到特征空间。文本特征提取完成。(D)
采用余弦相似度计算二者的相似程度。
r是平滑因子。D是多个caption的集合。
经过这三部分，模型的框架搭建起来。不过不能实现端到端的训练，需要分阶段训练。这也是bottom_up机制存在的问题。
