Visual Reasoning | GQA Dataset

参考博客：
https://blog.csdn.net/hester_hester/article/details/103238649
https://zhuanlan.zhihu.com/p/64183181

CLEVR虽然消除了dataset bias，但是人工合成的图像和问题组成，多样性较低，类和属性较少，容易使模型记住所有组合。
因此提出GQA，由真实图像组成，并在一个大的语义空间中运行，更具挑战性。

GQA数据集围绕真实图像推理、场景理解和合成问题回答等一系列任务，由113K张图像和22M个不同的问题组成。该数据集衡量了一些列推理技能。reasoning skills such as object and attribute recognition, transitive relation tracking, spatial reasoning, logical inference and comparisons.

Introduction

三个贡献：

Dataset

借鉴了CLEVR数据集， structured representations and detailed annotations for images and questions
建立了scene graph来表示物体，属性，和关系。同时和CLEVR一样也有functional program

具体的生成方式，并且提出一系列metrics，在GQA task进行综合评估