关键词:图像问答 深度学习 卷积神经网络 循环神经网络 python
VQA 是什么?:Visual Question Answering
我们可以这样定义:“视觉问答(VQA)是一种系统,它将图像和自然语言问题作为输入, 并生成自然语言答案作为输出。”
就和下面这张图片类似:输入这张图片和问题,我们期望的答案或许是 black and banana。
VQA 的应用:盲人的视觉问答,搜索引擎(不单单是以图搜图或者以文字搜信息,而是结合 图+问题,搜索出答案),智能驾驶领域,医疗问答等领域。
VQA 的框架:视觉问题回答可以分为两个部分,即图像和文本。使用卷积神经网络(用于图像数据)和循环神经网络(用于文本数据)来表示神经网络方法来解决这个问题。主要思想是从 CNN 得到图像的特征,从 RNN 得到文本的特征,最后将它们组合起来,通过一些完全连接的层来生成答案。