在image caption 這個任務(wù)中版姑，論文“Show, Attend and Tell: Neural Image Caption Generation with Visual Attention” 中是對VGG-19的conv5_3的feature map(14*14*512)進(jìn)行spatial attention。 具體來說是對196=14*14個 512維的向量進(jìn)行attention首装。相比之下，論文“Image Captioning with Semantic Attention” 中是對圖像中顯示檢測出的語義概念（單詞)進(jìn)行attention,性能有提升沿侈。 那么不禁讓人產(chǎn)生推測霹娄，如果Visual? attention 中借助 Faster? RCNN中的Region Proposal Network? 對conv5_3的feature map進(jìn)行更加精細(xì)的語義概念（單詞）區(qū)域劃分，是不是可以結(jié)合Visual? attention? 和? Semantic attention 的優(yōu)勢拣宏，而不用像論文“Image Captioning with Semantic Attention”中那樣需要額外的Atrribute 的顯示檢測沈贝？？勋乾？（不過只能檢測名詞宋下，無法檢測動詞等）
