粗读Attention over learned object embeddings enables complex visual reasoning

        神经网络往往难以应对包含高级的逻辑推理的问题，例如CLEVRER和ARCE数据集中，图像都是一堆立方体，任务有的是回答选择题，选择题选项为一些可能会发生的事件，如红色正方形撞上蓝色三角形等，模型要判断那些事可能发生或不可能发生。

        为了解决这些问题，往往需要编写专门的模块，但这种做法对程序员要求高，而且只能应付某一类推理任务。本文将自注意力，自离散化和自监督三种已有方法结合，获得了表现良好的模型，该模型的表现甚至超过了含有专门模块的模型。