摘要:
目前的VQA方法的泛化能力都挺差,容易学习到数据中一些巧合的联系,而不是图像和问题的更深层的联系。所以论文作者提出了一种数据集来设法解决这个问题。该数据集的问题包含两种语言:中文和英文;并提供一种基于图像的利于理解的度量标准来反映方法的推理能力。测量推理能力可通过惩罚碰巧正确的答案来提高模型的推理能力。
简介:
聚焦于数据中巧合的联系会使泛华能力下降。这些联系在数据集之间并不稳定,一旦测试数据和训练数据集的分布不一样,那些利用这些联系的方法就无法正常工作。相反,底层的推理,在数据集之间稳定,促使VQA模型根据图像的关键区域来推理从而实现泛化。
这篇论文的主要贡献:
1、EST-VQA数据集不仅提供问题,图像和答案,还提供边界框用来指示是哪一个图像区域提供了答案信息,叫做evidence。
2、评价指标。需要模型提供预测的答案的evidence,可以预测对于简单的分类模型来说会更难取得高的性能。
3、双语,据作者所知,EST-VQA是第一个双语场景的text VQA数据集,包含中文和英文的问题答案对。在多语言的场景,方法会更难利用表层的联系,从而提升模型的泛化能力。所选的语言也是语法上格外有区别,反映出不同的文化背景,会导致不同的问题分布,所以会更加提升泛化能力。
EST-VQA数据集包含的数据分布如下图,
数据集实际操作:
结论:
该数据集不仅要求模型回答问题,而且还需要提供对应的evidence,这样可以判断模型是否学习到了图像和问题之间的深层联系,而不是在一个预定义的词典上过拟合。未来的工作包括在已存在的VQA数据集上扩展EvE(Evidence-based Evaluation)度量标准,从而提高泛化能力和VQA技术的实用性。