TextVQA论文汇总

CVPR2019：LoRRA（数据集）

• 题目
  Towards VQA Models That Can Read
  下载链接
  出自Facebook AI研究院
• 动机
  视觉障碍者对于VQA的需求主要围绕于阅读图片上的问题，但是现有的VQA模型并没有这个功能。故本文提出了一个全新的数据集“TextVQA”，并基于此数据集提出了可以利用图片上文字信息进行VQA的方法LoRRA。
  
• 贡献

1. 提出TextVQA数据集。
2. 提出LoRRA方法（Look、Read、Reason & Answer），可以基于OCR的输出进行显式推理。
3. 在TextVQA数据集上，LoRRA方法可以达到state-of-the-art。

• 方法
  本文方法的整体框架如下图所示，共分为三个部分：对问题编码、提取图片特征、提取图片文字（OCR）。方法的流程一目了然，只是在传统的VQA方法上，添加了OCR模块提取图片中的文字信息，并在answer set中添加了OCR token。
  
  TextVQA数据集的一些样本：
  
  TextVQA数据集中，question中的word分布如下图所示。其中，以"what"开始的词比较多。
  
• 实验
  在TextVQA数据集上的实验结果。其中，$Q$代表Question特征，$I$代表Image特征，$O$代表OCR token特征，$C$代表Copy Module。
  

ICCV2019：ST-VQA（数据集）

• 题目
  Scene Text Visual Question Answering
  下载链接
• 动机
  当前的VQA中，没有考虑图像中的文本信息。而作者认为，文本作为高级语义信息，应在VQA中占有一席之地，故提出ST-VQA数据集，并在此数据集上定义了一系列较难的任务。在这些任务中，需要考虑到上下文中的文本信息。同时，针对这些任务，本文提出了新的metric，可以同时考虑文本识别模块的推理错误和缺陷。
  
• 贡献

1. 提出ST-VQA数据集，数据集中的问题和答案只能通过图像中的文本来回答。
2. 提出了三种不同难度的任务，模拟不同程度上的先验知识（上下文信息）。
3. 提出了一个新的metric，用于判别模型的准确性。

• 方法
  如下图所示，ST-VQA数据集从六个不同的数据集搜集了共包括23038张图像和31791个问题，其中，训练集为19027/26308，测试集为2993/4163。
  
  下图是ST-VQA数据中question和answer的单词长度的分布情况，和Text-VQA进行了对比，两个数据集的分布很相似。
  
  下图是ST-VQA数据集中，question中单词的使用频率分布，what 的使用频率最高。
  
  下图是对于不同类型的问题，answer的分布情况。可以看出，对于不同类型的问题，answer的分布都较为平均。
  
• 实验
  下图是一些baselines在ST-VQA数据集上的实验结果，其中，ANLS代表Average Normalized Levenshtein similarity（平均正则化编辑距离），是本文针对ST-VQA数据集提出的新metric。本文提出了三种不同的Task，分别是：strongly contextualised（强上下文）、weakly contextualised（弱上下文）和open vocabulary（开放词汇）。这三种不同的task使用不同的先验知识（字典）。对于强上下文，每张图片具有自己的字典，字典中包括100个单词。对于弱上下文，所有图片共用一个大的字典，字典中包括30000个单词，其中22000个是ground truth，其他的是干扰项。对于开放词汇，字典是空的，即：没有先验知识。
  
  在上述实验结果中，Random代表从字典中随机抽取一个作为答案。STR的全称是Scene Text Recognition（场景文本识别），STR(retrieval)和STR(bbox)使用了两种不同的策略，前者使用特定的任务字典作为给定图像的查询，后者针对图像中最大的文本示例提出问题。Scene Image OCR将检测到的文本排序输出置信度最高的。SAAA是一个标准的VQA模型结构，使用CNN+LSTM。SAN也是标准的VQA模型结构，使用预训练的VGG提取图像特征，使用LSTM提取question特征。
  
  在task3上，不同方法的在不同类型问题上的准确率展示。
  
  在task1上的结果展示：