Video Question Answering (VQA) is a recent emerging challenging task in the field of Computer Vision. Several visual information retrieval techniques like Video Captioning/Description and Video-guided Machine Translation have preceded the task of VQA. VQA helps to retrieve temporal and spatial information from the video scenes and interpret it. In this survey, we review a number of methods and datasets for the task of VQA. To the best of our knowledge, no previous survey has been conducted for the VQA task.
翻译：视频问题解答(VQA)是计算机视野领域最近一项新出现的挑战性任务,在VQA的任务之前,一些视觉信息检索技术,如视频说明/描述和视频制导机器翻译。VQA帮助从视频场段检索和解释时间和空间信息。在这次调查中,我们审查了用于VQA任务的若干方法和数据集。据我们所知,以前没有就VQA任务进行过任何调查。
相关内容
视觉问答（Visual Question Answering，VQA），是一种涉及计算机视觉和自然语言处理的学习任务。这一任务的定义如下： A VQA system takes as input an image and a free-form, open-ended, natural-language question about the image and produces a natural-language answer as the output[1]。 翻译为中文：一个VQA系统以一张图片和一个关于这张图片形式自由、开放式的自然语言问题作为输入，以生成一条自然语言答案作为输出。简单来说，VQA就是给定的图片进行问答。
专知会员服务
64+阅读 · 2020年5月12日
Arxiv
3+阅读 · 2019年5月10日
相关VIP内容
专知会员服务
64+阅读 · 2020年5月12日
相关资讯
相关论文
Arxiv
3+阅读 · 2019年5月10日
微信扫码咨询专知VIP会员