（十四）：面向深度学习的视觉问答技术的分析

• 主要内容：简单介绍了应用在VQA上的模型方法分类（联合嵌入模型、注意力机制模型、基于外部知识的模型）具体的研究进展；VQA数据集。

摘要

当输入图像和自然语言问题时，视觉问答技术能够理解图像和问题中的信息自动回答问题。文 章梳理近年来视觉问答技术的研究进展，分析了视觉问答技术的工作机制、模型的分类和公用数据集的特点，总结了目前 研究工作的不足及发展方向。

引言

人们提出在计算机视觉领域中引入交互式问答的方法对视觉对象进 行交互式内容理解，由此，视觉问答(visual ques- tion answer，VQA)应运而生。
视觉问答技术涵盖了计算机视觉和自然语言处理两个领域，它需要 建立模型去分析图像并理解问题，即在输入一张 图像及与图像相关的问题，模型能自动输出一个预测答案[1-4]。

1 视觉问答技术

VQA 技术面临着对图像分析和问题理解的挑战， 有时甚至还需要从图像中不存在的信息进行推理 回答，这些额外需要的信息可能是常识，也可能是 关于图像中特定元素的外部知识。

2 视觉问答模型分类

已经提出了许多方法来处理视觉