125 | 计算机视觉高级话题（二）：视觉问答

该思维导图由 AI 生成，仅供参考

视觉问答是计算机视觉领域的一个热门话题，面临着诸多挑战。首先，它需要理解图片中的细节，如识别食物中的奶酪等微观物体。其次，对图片的上下文进行理解，如计数物体的数量，增加了复杂性。此外，还需要对图片中的物体进行推理，如对食物种类进行分类。除了纯图片输入外，数据集中的图片标题也提供了有用信息，降低了任务难度。针对这些挑战，研究者提出了多种建模方法，包括利用词包表达问题和图片标题，提取图片特征，以及利用LSTM结合问题和图像进行预测。近年来，关注机制被广泛应用于视觉问答模型中，其中层次同关注模型更进一步结合了问题和图片的关键词，提高了回答的准确度。最近的研究还将视觉问答与推理和神经编程联系起来，将回答问题变成自动生成程序的一种形式。总的来说，视觉问答是一个综合性的人工智能问题，研究者们正不断探索各种模型和方法来解决其中的挑战。