这次介绍一篇比较新的文章
RSTNet: Captioning with Adaptive Attention on Visual and Non-Visual Words CVPR2021
总的来说，贡献点有两个，对我而言，有启发的是后者
模型结果如下：
第一次看没看懂，之前把bert忘的差不多了
昨天又仔细看了一遍才看懂
说白了，第二点，还是对qkv的改进
把从h_t预测变成h_t去自主选择视觉还是文本
核心代码如下：
这一点看懂就好了，希望实验效果好一点
参考文献：
https://openaccess.thecvf.com/content/CVPR2021/html/Zhang_RSTNet_Captioning_With_Adaptive_Attention_on_Visual_and_Non-Visual_Words_CVPR_2021_paper.html
