文章的动机是避开源代码的中间表示，将源代码表示为图像，直接提取代码的语义信息以改进缺陷预测的性能。
首先，看到如下图所示的motivation示例。File1.java和File2.java两个示例中，虽然都包含了1个if语句、2个for语句和4个函数调用，但代码的语义和结构特征是不相同的。为验证将源代码转换成图像是否有助于区分不同的代码，作者进行了实验：将源代码根据字符的ASCII十进制数对应到像素，排列成像素矩阵，获取源代码的图像。作者指出，不同的源代码图像存在差异。
Fig. 1 Motivation Example
文章主要的贡献如下：
将代码转换成图像，从中提取语义和结构信息；
提出一种端到端的框架，结合自注意力机制和迁移学习实现缺陷预测。
文章提出的模型框架如图2所示，分为两个阶段：源代码可视化和深度迁移学习建模。
Fig. 2 Framework
1.源代码可视化
文章将源代码转换成6个图像，过程如图3所示。将源代码字符的10进制ASCII码转换成8bit无符号整数向量，按行和列对这些向量进行排列，生成图像矩阵。8bit整数直接对应到灰度等级。为解决原始数据集较小的问题，作者在文章中提出了一种基于颜色增强的数据集扩充方法：对R、G、B三个颜色通道的值进行排列组合，产生6个彩色图。这里看着挺迷的，变换了通道值后，语义和结构信息应该有所改变吧？但是作者在脚注上进行了解释，如图4所示。
Fig. 3 源代码可视化流程
Fig. 4 文章脚注2
2.深度迁移学习建模
文章使用DAN网络来捕获源代码的语义和结构信息。为增强模型对重要信息的表达能力，作者在原始DAN结构中加入了Attention层。训练与测试流程如图5所示，其中conv1-conv5来自于AlexNet，4个全连接层fc6-fc9作为分类器。作者提到，对于一个新的项目，训练深度学习模型需要有大量的标签数据，这是困难的。所以，作者首先在ImageNet 2012上训练了一个预训练模型，使用预训练模型的参数作为初始参数来微调所有卷积层，进而减少代码图像和ImageNet 2012中图像的差异。
Fig. 5 训练与测试流程
3.模型训练和预测
对Source项目中有标签的代码和Target项目中无标签的代码生成代码图像，同时送入模型；二者共享卷积层和Attention层来提取各自的特征。在全连接层计算Source和Target之间的MK-MDD（Multi Kernel Variant Maximum Mean Discrepancy）。由于Target没有标签，所以只对Source计算交叉熵。模型使用mini-batch随机梯度下降沿着损失函数训练模型。对每一个<source, target>对的500个epoch，根据最好的F-measure从中选出一个epoch。
在实验部分，作者选择了PROMISE数据仓库中所有开源的Java项目，收集了它们的版本号、class name、是否存在bug的标签。根据版本号和class name在github中下载源码。最终，共采集了10个Java项目的数据。数据集结构如图6所示。
Fig. 6 数据集结构
对于项目内缺陷预测，文章选择如下baseline模型进行对比：
对于跨项目缺陷预测，文章选择如下baseline模型进行对比：
总结一下，虽然是两年前的论文了，但感觉思路还是比较新奇的，避开AST等一系列代码中间表示，直接将代码转换成图像提取特征。但是还是比较疑惑，代码转换成的图像真的包含源代码语义和结构信息吗？感觉可解释性不太强，哈哈。后面需要做实验分析下吧。
