图像描述生成

图像描述生成（Image Captioning）是给定一张图片，自动生成一段描述其内容的自然语言文本的任务。它是视觉和语言的交叉任务，既要求模型”看懂”图像中的物体、动作、场景，又要求”写得出”流畅准确的描述文字。本页聚焦描述生成的技术演进，与视觉问答的关系见视觉问答与图像描述。前置阅读：CNN 主线、RNN 循环神经网络、Transformer 架构、注意力机制。

核心直觉

图像描述就像”看图说话”：

编码器 = 眼睛和视觉皮层：看照片，提取出”有只猫、在沙发上、阳光照进来”这样的视觉概念。
解码器 = 作文老师：把视觉概念组织成通顺的句子——“一只橘色的猫正趴在米色的沙发上，阳光从窗外洒进来”。
训练 = 大量看图配文练习：给模型看几百万张已经配好描述的图片，让它学会从”看到的像素”到”该用的词”的映射。

从编码器-解码器（Encoder-Decoder，先将输入编码为特征表示、再从特征解码出输出的经典框架）的角度看，所有图像描述模型都在回答同一个问题：如何最有效地把视觉信息”翻译”成语言？

原理详解

第一代：CNN 编码器 + RNN 解码器（Show and Tell）

Show and Tell（Vinyals et al., 2015）是深度学习图像描述的开山之作。架构极其直观：

CNN 提取图像特征：用预训练的 CNN（如 Inception-V3、ResNet-101）处理输入图像。CNN 的卷积层逐层提取特征——浅层捕捉边缘和纹理，深层捕捉物体部件和整体语义。最终在全局平均池化（Global Average Pooling，对整个特征图取平均，把 H×W×C 的特征压缩成 C 维向量）后，得到一个固定维度的全局特征向量（如 Inception-V3 输出 2048 维，ResNet-101 输出 2048 维）。
特征注入解码器：将特征向量经过一个线性变换（W_init · v + b_init）映射到与 RNN 隐状态相同的维度（如 512 维），然后作为 LSTM 的初始隐状态和初始细胞状态（cell state）。这相当于把”图像信息”作为解码器的”启动信号”。
RNN 自回归生成：LSTM（Long Short-Term Memory，一种能记忆长距离依赖的 RNN 变体，通过遗忘门、输入门、输出门三个门控单元控制信息流动）自回归（Autoregressive，即”根据已生成内容预测下一个词”）地逐词生成描述。每一步，LSTM 根据当前隐状态和上一个词的嵌入向量，输出下一个词在词表上的概率分布。
教师强制训练：训练时用教师强制（Teacher Forcing，即每步喂入真实词而非模型预测的词作为下一步输入），使训练信号稳定、收敛快。推理时则用模型自己上一步预测的词作为输入。

LSTM 的门控机制细节：在每个时间步 t，LSTM 接收当前输入 x_t 和上一时刻的隐状态 h_{t-1}、细胞状态 c_{t-1}，通过三个门更新状态：

\text{遗忘门: } f_t = \sigma(W_f \cdot [h_{t-1}, x_t] + b_f) \\ \text{输入门: } i_t = \sigma(W_i \cdot [h_{t-1}, x_t] + b_i) \\ \text{候选值: } g_t = \tanh(W_g \cdot [h_{t-1}, x_t] + b_g) \\ \text{细胞更新: } c_t = f_t \odot c_{t-1} + i_t \odot g_t \\ \text{输出门: } o_t = \sigma(W_o \cdot [h_{t-1}, x_t] + b_o) \\ \text{隐状态: } h_t = o_t \odot \tanh(c_t)

其中 $\odot$ 表示逐元素乘法， $[h_{t-1}, x_t]$ 表示向量拼接。这套门控机制让 LSTM 能选择性地保留或遗忘信息，从而在长序列中保持有效记忆。

这是标准的编码器-解码器范式，相当于把图像特征视为一种”翻译源”，把描述视为”翻译目标”。训练目标是最大化真实描述的对数似然，等价于最小化交叉熵损失：

L = -\frac{1}{T} \sum_{t=1}^{T} \log P(y_t \mid y_{<t}, v)

其中 $y_t$ 是第 $t$ 个真实词， $y_{<t}$ 是前缀， $v$ 是图像特征向量， $T$ 是描述长度。

注意力机制的引入（Show, Attend and Tell）

全局特征向量丢失了空间细节——一个 2048 维的向量把”猫在沙发上”和”沙发上有只猫”压成了同一种表示，无法区分空间关系。Show, Attend and Tell（Xu et al., 2015）引入注意力机制（Attention Mechanism，让模型动态决定”看哪里、各看多少”的加权聚合机制）：解码器在生成每个词时，动态地”关注”图像中与该词最相关的区域。例如生成”猫”时注意力集中在猫的位置，生成”沙发”时移到沙发上。

注意力权重的计算：设 CNN 最后一个卷积层输出 L 个空间位置的特征，每个位置是 D 维向量，组成特征矩阵 A = {a_1, a_2, …, a_L}，其中 a_i ∈ R^D（如 7×7=49 个位置，每个 2048 维）。在生成第 t 个词时：

e_{ti} = w_a^T \cdot \tanh(W_h \cdot h_{t-1} + W_v \cdot a_i + b)

e_{ti} = \frac{(W_q \cdot h_{t-1})^T \cdot (W_k \cdot a_i)}{\sqrt{d}}

\alpha_{ti} = \frac{\exp(e_{ti})}{\sum_{j=1}^{L} \exp(e_{tj})}, \quad z_t = \sum_{i=1}^{L} \alpha_{ti} \cdot a_i

h_t = \text{LSTM}([x_t, z_t], h_{t-1})

其中 $h_{t-1}$ 是上一步隐状态， $a_i$ 是第 $i$ 个图像区域特征， $W_h$ 、 $W_v$ 、 $w_a$ 是可学习参数； $\alpha_{ti} \geq 0$ 且 $\sum_{i} \alpha_{ti} = 1$ 。上下文向量 $z_t$ 编码了”当前该看哪里”。

这是空间注意力在图像描述中的首次成功应用。论文还展示了”硬注意力”（hard attention，按概率随机选取一个位置）和”软注意力”（soft attention，如上式对所有位置加权平均）两种变体，实践中软注意力更易训练。详见注意力机制。

自底向上注意力（Bottom-Up Attention）

BUTD（Anderson et al., 2018）改变了视觉特征的粒度：先用 Faster R-CNN 检测图像中的物体（如人、猫、车），取每个检测框的区域特征作为视觉 token。具体来说，Faster R-CNN 的 Region Proposal Network 生成候选框，对每个框用 RoI Pooling 提取固定大小的特征（通常 2048 维），保留置信度最高的 10-36 个区域。这样注意力是在”物体级别”而非”网格像素级别”上进行的，更符合人类描述图像的方式（我们说”猫在沙发上”而不是”左上角的像素”）。

BUTD 的”自底向上”（Bottom-Up）指用目标检测模型自底向上地提取物体级特征，“自顶向下”（Top-Down）指用任务驱动的注意力机制自顶向下地选择相关特征。BUTD 特征在多年内是图像描述和 VQA 的标准视觉表示，直到 ViT 和 CLIP 的出现。

Transformer 时代

Transformer 替代 RNN 后，图像描述模型变为”ViT/CLIP 视觉编码器 + Transformer 文本解码器”。编码器输出图像 patch token 序列（如 ViT 把 224×224 的图像切成 14×14=196 个 patch，每个 patch 编码为 D 维向量），解码器通过跨注意力（Cross-Attention，让一种模态的 token——这里是文本——去查询另一种模态的 token——这里是图像——的注意力机制）在生成每个词时查询图像 token。

Transformer 相比 RNN 的优势在于：能完全并行训练（所有位置同时计算，而非逐时间步迭代）、能直接建模任意长距离依赖（不依赖逐步传递的隐状态）、且堆叠深层后梯度传播更稳定（得益于残差连接）。残差连接（Residual Connection）的核心思想是：让输入直接跳过某些层，与该层输出相加（output = Sublayer(x) + x），使梯度可以”绕过”深层结构直接回传，有效缓解深层网络梯度消失问题。

代表模型：

Meshed-Memory Transformer（M2, Cornia et al., 2020）：在编码器中引入”记忆”机制（一组可学习的先验 token），在解码器的跨注意力中让不同层关注不同粒度的视觉信息。
Oscar（Li et al., 2020）：利用图像标签作为”锚点”（anchor）桥接视觉和语言模态，在大规模图文对上预训练。
BLIP 系列：见下节。

BLIP 系列：统一的视觉语言预训练

BLIP（Li et al., 2022）提出了统一的视觉语言预训练框架，同时学习三个任务：

图文对比学习（ITC, Image-Text Contrastive）：对齐图像和文本的全局表示。通过 InfoNCE 损失拉近匹配的图文对、推远不匹配的图文对，使编码器学到跨模态对齐能力。
图文匹配（ITM, Image-Text Matching）：二分类判断图文是否匹配，用跨注意力进行细粒度的图文交互。训练时使用难负样本挖掘（hard negative mining，刻意挑选”相似但不匹配”的图文对作为负样本），提升判别能力。
图像描述生成（LM, Language Modeling）：自回归生成描述文本。

BLIP 引入 Captioner 和 Filter 机制：用模型生成描述并过滤噪声，自动扩充训练数据（Bootstrapping）。具体做法是用 Captioner（仅用高质量图文对训练的描述模型）为网络爬取的无标注图片生成伪描述，再用 Filter（图文匹配模型）过滤掉与图片不匹配的低质量伪描述，最终得到干净的大规模训练集。这一数据自举策略有效解决了高质量图文对数据稀缺的问题。

BLIP-2 与 Q-Former：BLIP-2（Li et al., 2023）进一步引入 Q-Former（Querying Transformer）桥接冻结的 ViT 和冻结的 LLM。Q-Former 的结构细节如下：

Q-Former 是一个轻量级 Transformer，包含一组可学习的 query token（通常 32 个）。
它通过自注意力让 query token 之间互相交互，同时通过跨注意力从冻结的 ViT 中提取与语言最相关的视觉信息。
训练分两阶段：第一阶段在冻结的 ViT 上学习”视觉-语言表示”（图文对比、图文匹配、图文生成三个任务）；第二阶段把 Q-Former 输出的 32 个视觉 token 经线性层投影到冻结的 LLM 的词嵌入空间，驱动 LLM 生成文本。
这种”两阶段冻结 + 轻量桥接”策略大幅降低了训练成本——只需训练 Q-Former 和投影层，两个最大的组件（ViT 和 LLM）参数全部冻结。

详见视觉问答与图像描述。

评估指标

图像描述的评估借鉴机器翻译的指标：

BLEU-N：计算生成描述与参考描述的 N-gram 精确率（N=1 到 4）。BLEU-4 是最常用的版本。计算公式为：

\text{BLEU-N} = \text{BP} \times \exp\left(\sum_{n=1}^{N} w_n \times \log p_n\right)

其中 $p_n$ 是修正后的 n-gram 精确率，BP 是长度惩罚因子（防止过短的描述获得高分）：

\text{BP} = \begin{cases} 1 & \text{若 } c > r \\ \exp(1 - r/c) & \text{若 } c \leq r \end{cases}

其中 $c$ 为生成长度， $r$ 为参考长度。

CIDEr-D：专门为图像描述设计的指标，用 TF-IDF 加权 N-gram，奖励与参考描述一致的视觉内容描述，惩罚在所有图片中频繁出现的”万能词”（如 “a photo of”）。计算过程：
1. 对候选描述 $c$ 和参考描述 $S_j$ ，计算 n-gram（ $n=1,2,3,4$ ）的 TF-IDF 权重： $g_k(s) = \text{TF} \times \text{IDF}$ ，其中 TF 是 n-gram 频率， $\text{IDF} = \log(N / d f_k)$ ， $N$ 是图片总数， $d f_k$ 是包含该 n-gram 的图片数
2. 计算候选与参考之间的余弦相似度，对每个 $n$ 单独计算再加权求和：
$\text{CIDEr}(c, S) = \frac{1}{M} \sum_j \sum_{n=1}^{4} w_n \cdot \cos(g^n(c), g^n(S_j))$
1. CIDEr-D 加入长度惩罚和基于概率分布的截断，使其更鲁棒。
METEOR：考虑同义词和词序的匹配指标，引入 WordNet 同义词集和词干提取，对匹配的连续词组给予额外奖励。
ROUGE-L：基于最长公共子序列（LCS）的指标，衡量候选描述覆盖了参考描述中的多少关键内容。
SPICE：基于场景图（Scene Graph，由物体、属性、关系三元组构成的图结构）的语义匹配指标。它先从描述中解析出场景图，再计算候选场景图和参考场景图的 F1 分数。SPICE 更关注语义而非表面词匹配，与人类判断相关性最高。

现代评估还使用 CLIPScore（用 CLIP 计算图文相似度，不需要参考描述）和基于 LLM 的评估（让 GPT-4 等大模型从准确性、完整性、流畅度等维度评分描述的质量）。

原理图解

图像描述模型演进

编码器-解码器结构

注意力在图像描述中的工作方式

训练技巧与工程实践

学习率预热（Warmup）

图像描述模型通常采用学习率预热策略：训练开始时用一个很小的学习率（如 1e-7），在前 N 步（如 10000 步）线性增长到峰值学习率（如 2e-4），之后按余弦曲线（cosine decay）或步阶衰减逐步降低。预热的目的是：在训练初期模型参数随机初始化、梯度方向噪声很大，大学习率会导致训练发散；用小学习率先让参数”稳定下来”，再加速收敛。Transformer 类模型对预热尤其敏感，缺少预热容易导致训练早期 loss 突然飙升。

数据增强

视觉端的数据增强能有效提升泛化能力，常用方法包括：

RandomResizedCrop：随机裁剪图像的一个区域并缩放到目标尺寸，让模型学习不同尺度和位置的物体。
ColorJitter：随机调整亮度、对比度、饱和度、色调，增强对颜色变化的鲁棒性。
RandomHorizontalFlip：随机水平翻转（注意垂直翻转会改变语义，如”向上飞”变成”向下坠”）。
RandAugment / AutoAugment：从一组增强操作中自动组合，搜索最优增强策略。

文本端可使用回译（back-translation，将描述翻译成另一种语言再翻回来）或同义词替换来扩充训练数据，但需注意保持语义一致性。

Label Smoothing

标签平滑（Label Smoothing）是一种正则化手段：训练时不把正确词的概率目标设为 1.0，而是设为 1-ε（如 0.9），其余词共享 ε/(V-1) 的概率（V 是词表大小）。这能防止模型对训练数据中的某一个词过度自信——图像描述本质上有多个正确答案（“一只猫坐在沙发上”和”沙发上有只猫”都正确），标签平滑让模型学到更平滑的概率分布，通常提升 0.5-1 个 CIDEr 点。损失函数变为：

L_{\text{smooth}} = -(1-\varepsilon) \cdot \log P(y_t) - \frac{\varepsilon}{V-1} \sum_{j \neq t} \log P(y_j)

其中 $\varepsilon$ 通常取 0.1， $V$ 是词表大小。

Beam Search vs Nucleus Sampling

生成描述时的解码策略直接影响输出质量：

策略	原理	优点	缺点
Beam Search	每步保留得分最高的 k 个候选序列（束宽 beam width 通常 3-5），最终选总对数概率最高的	描述准确、安全、与参考描述风格一致，CIDEr/BLEU 分数高	容易生成”平淡”描述，缺乏多样性和创造性；束宽太大时计算量增加
Nucleus Sampling（Top-p）	从概率累积前 p（如 0.9）的候选词中随机采样	描述多样、有创意，能生成更生动丰富的描述	个别描述可能偏离图像内容；CIDEr/BLEU 分数通常低于 beam search
Top-k Sampling	从概率最高的 k 个候选词中随机采样	控制采样范围，介于 beam search 和自由采样之间	k 是固定值，无法自适应不同分布形状

实践中：正式评测（刷分）用 beam search（束宽 3-5）；实际应用（如无障碍描述、内容管理）可根据需要选择——要求准确选 beam search，要求生动多样选 nucleus sampling。

SCST：直接优化评估指标

交叉熵损失只优化”逐词预测准确率”，而 CIDEr/BLEU 等评估指标是非线性的（逐词对了不代表整句描述好）。SCST（Self-Critical Sequence Training, Rennie et al., 2017）用 REINFORCE 算法直接优化 CIDEr 分数：

算法流程：

用当前模型（自回归采样）生成一条描述 $c^s$
用 beam search 生成基准描述 $c^g$ （作为 baseline，不更新梯度）
计算 reward 差异作为梯度信号：

\text{reward} = \text{CIDEr}(c^s) - \text{CIDEr}(c^g)

梯度更新（REINFORCE）：

\nabla L = -(\text{reward}) \cdot \nabla \log P(c^s \mid I)

如果采样描述比 beam search 基准好（reward > 0），增加采样描述的概率；如果更差（reward < 0），降低其概率。

SCST 通常能提升 2-5 个 CIDEr 点，是描述生成训练的重要里程碑。但 SCST 训练不稳定，需要较小的学习率和谨慎的超参调节。

RLHF / DPO 微调

在大模型时代，直接偏好优化（Direct Preference Optimization, DPO）和基于人类反馈的强化学习（RLHF）也被用于图像描述质量优化。思路是：收集人类对描述对的偏好标注（描述 A 比描述 B 好），然后用 DPO 损失直接微调模型，使其生成更符合人类偏好的描述。与 SCST 相比，RLHF/DPO 使用人类偏好信号（而非自动指标）作为优化目标，能捕捉更主观的质量维度（如描述的生动性、信息量）。

动手实践

Python：用 BLIP 做图像描述

import torch  # pip install transformers
from transformers import BlipProcessor, BlipForConditionalGeneration
from PIL import Image

# 加载 BLIP 模型（同时支持描述生成和 VQA）
processor = BlipProcessor.from_pretrained(
    "Salesforce/blip-image-captioning-base"
)
model = BlipForConditionalGeneration.from_pretrained(
    "Salesforce/blip-image-captioning-base"
)

image = Image.open("beach.jpg").convert("RGB")

# 无条件描述生成（不需要提示文本）
inputs = processor(image, return_tensors="pt")
with torch.no_grad():
    out = model.generate(**inputs, max_new_tokens=50)
caption = processor.decode(out[0], skip_special_tokens=True)
print(caption)
# 如 "a woman and child on a beach with an umbrella"

Python：带提示的可控描述生成

# 用文本提示引导描述风格
image = Image.open("sunset.jpg").convert("RGB")

for prefix in ["a photo of", "a drawing of", "the image shows"]:
    inputs = processor(image, text=prefix, return_tensors="pt")
    with torch.no_grad():
        out = model.generate(**inputs, max_new_tokens=30)
    caption = processor.decode(out[0], skip_special_tokens=True)
    print(f"[{prefix}] {caption}")
# [a photo of] a photo of a sunset over the ocean
# [a drawing of] a drawing of a colorful sky at dusk
# [the image shows] the image shows a beach at sunset

Python：Beam Search vs Nucleus Sampling 对比

# 同一张图，对比不同解码策略的输出差异
image = Image.open("park.jpg").convert("RGB")
inputs = processor(image, return_tensors="pt")

with torch.no_grad():
    # Beam Search：准确但可能平淡
    beam_out = model.generate(
        **inputs, max_new_tokens=50, num_beams=5, early_stopping=True
    )
    beam_cap = processor.decode(beam_out[0], skip_special_tokens=True)

    # Nucleus Sampling：多样且更有创意
    sample_out = model.generate(
        **inputs, max_new_tokens=50, do_sample=True, top_p=0.9,
        temperature=0.7
    )
    sample_cap = processor.decode(sample_out[0], skip_special_tokens=True)

print(f"[Beam]  {beam_cap}")
print(f"[Sample] {sample_cap}")

实践要点

视觉编码器选型：CLIP 视觉编码器是最通用的选择，因为它天然与语言对齐。EVA-CLIP、SigLIP 等新版本效果更好。详见视觉Transformer ViT。
Beam Search vs Nucleus Sampling：生成描述时，beam search（束宽 3-5）通常给出更准确、更安全的描述；nucleus sampling（top-p 0.9）给出更多样、更有创意的描述。正式评测通常用 beam search。
CIDEr 优化训练：SCST 用 CIDEr 分数作为奖励做 REINFORCE 微调，能直接优化评估指标，通常提升 2-5 个 CIDEr 点。注意训练不稳定，需要小学习率。
多模态预训练先于任务微调：先在大规模图文数据上预训练，再在特定领域微调。BLIP 系列已提供强基线，直接微调即可获得不错效果。
多样性与准确性权衡：单一参考描述会限制模型表达多样性。使用多个参考描述（COCO 每张图 5 个）或 GPT-4 改写扩充参考集，能让模型学到更丰富的表达。
数据质量是关键：BLIP 的 Bootstrapping 策略证明，自动生成并过滤的描述也能有效扩充训练数据。但低质量描述（如重复、不准确）会严重拖累模型，务必做好数据清洗。
批量归一化（Batch Normalization）的影响：CNN 视觉编码器中的批量归一化层（对每个 mini-batch 的特征做标准化，减均值除标准差，缓解内部协变量偏移）在推理时依赖训练时的统计量。微调视觉编码器时需要小心处理 BN 层的运行统计量更新。

典型应用

无障碍辅助：Apple 的 VoiceOver、Be My Eyes 等自动描述图片内容，帮助视障用户”看到”图片。
社交媒体与内容管理：Facebook、Instagram 自动为图片生成 alt 文本，用于无障碍和 SEO。
电商商品描述：自动为商品图片生成描述文本，降低人工标注成本。
新闻图说生成：为新闻配图自动生成简要图说（caption），辅助编辑工作流。
视频内容理解：对视频关键帧生成描述，用于视频检索、摘要、推荐。详见光流与视频理解。
医学影像报告：为 X 光、CT 等医学影像自动生成初步报告文本（需专业数据训练）。
智能相册管理：Google Photos 等自动为照片生成描述并建立搜索索引（搜索”海边”即可找到相关照片）。

典型类库与工具

类库	语言	说明
transformers	Python	HuggingFace 库，支持 BLIP、BLIP-2、Git、OFA 等主流描述生成模型
LLaVA	Python	开源多模态模型，支持基于图像的自由文本生成（含描述）
pycocoevalcap	Python	COCO 官方评估工具，提供 BLEU/CIDEr/METEOR/SPICE 等指标
Google Cloud Vision API	REST	云服务，提供预训练的图像标注和描述生成
Azure Computer Vision	REST	微软云服务，提供图像描述（Image Captioning）功能
Florence-2	Python	微软统一视觉基础模型，一个模型支持描述、检测、分割、OCR 等任务
Qwen-VL / InternVL	Python	开源多模态大模型，支持高质量图像描述和对话

术语表

术语	英文	解释
图像描述生成	Image Captioning	给定图片自动生成描述性文本的任务
编码器-解码器	Encoder-Decoder	先将图像编码为特征、再解码为文本的经典框架
教师强制	Teacher Forcing	训练时每步喂入真实词（而非模型预测词）的策略
自回归	Autoregressive	根据已生成内容逐步预测下一个词的生成方式
束搜索	Beam Search	每步保留 top-k 候选序列的解码策略，平衡质量和效率
核采样	Nucleus Sampling / Top-p Sampling	从概率累积前 p 的候选词中随机采样的解码策略
自底向上注意力	Bottom-Up Attention	用检测结果（区域特征）作为视觉 token 的注意力方法
跨注意力	Cross-Attention	让一种模态的 token（如文本）查询另一种模态 token（如图像）的注意力机制
残差连接	Residual Connection	让输入跳过某些层直接与输出相加，缓解深层网络梯度消失
位置编码	Positional Encoding	给序列中每个位置添加固定或可学习的位置信号向量，让模型感知顺序
批量归一化	Batch Normalization	对每个 mini-batch 的特征做标准化，缓解内部协变量偏移
知识蒸馏	Knowledge Distillation	让小模型学习大模型的输出分布，以更少参数接近大模型能力
图文对比学习	Image-Text Contrastive, ITC	对齐图像和文本全局表示的预训练任务
图文匹配	Image-Text Matching, ITM	判断图文是否匹配的二分类预训练任务
CIDEr	Consensus-based Image Description Evaluation	专为图像描述设计的评估指标，用 TF-IDF 加权 N-gram
SPICE	Semantic Propositional Image Caption Evaluation	基于场景图的语义匹配指标，与人类判断相关性最高
自评判序列训练	Self-Critical Sequence Training, SCST	用评估指标（如 CIDEr）作为奖励做强化学习微调
直接偏好优化	Direct Preference Optimization, DPO	用人类偏好数据直接微调模型的算法，简化 RLHF 流程
多模态大模型	Multimodal Large Language Model, MLLM	能同时理解和生成多种模态（图像、文本等）的大型语言模型
场景图	Scene Graph	由物体、属性、关系三元组构成的图结构表示
密集描述	Dense Captioning	对图像中每个区域或物体分别生成描述的任务