jiang6869732的博客

《Multi-level Attention Networks for Visual Question Answering》阅读笔记一、研究背景effective semantic embedding and fine-grained visual understanding；人类语言问题以明确的查询意图传达强大的高级语义，而具有数万个像素的真实世界图像则相对低级且抽象，由于众所周...

转载《Fast R-CNN》的相关原理及解释Fast R-CNN的相关原理及解释

《Visual Question Generation as Dual Task of Visual Question Answering》阅读笔记一、研究背景视觉问答（VQA）和视觉问题生成（VQG）是计算机视觉中的两个主题，但它们通常是分开探索的，尽管它们具有内在的互补关系。 在本文中，提出了一个端到端的统一模型，即可逆问答网络（iQAN），将问题生成作为问题回答的双重任务来引入，...

《MUTAN: Multimodal Tucker Fusion for Visual Question Answering》阅读笔记一、研究背景Bilinear models在视觉问答（VQA）任务中进行信息融合提供了一个吸引人的框架。 它们有助于学习question meaning 和 visual concepts in the image之间的高层次关系，但它们存在高维度问题。 论...

《iVQA: Inverse Visual Question Answering》读书笔记一、iVQA介绍 VQA是根据image、question生成关于image的答案，而iVQA是VQA的逆过程，给出一个answer、image生成与之相关的question。 二、iVQA面临的挑战（1） iVQA模型利用问题偏差的可能性可能小于VQA通过答案偏差得分高的范围（问题偏差较少，利用...