视觉问答(Visual Question answer, VQA)通常是将图像、视频等视觉输入与与输入相关的自然语言问题结合起来，生成一个自然语言答案作为输出。这本质上是一个多学科的研究问题，涉及计算机视觉(CV)、自然语言处理(NLP)、知识表示与推理(KR)等。
此外，VQA必须克服一般图像理解和问答任务的挑战，以及使用混合质量输入的大规模数据库所带来的困难。然而，随着深度学习(DL)的出现，在CV和NLP中先进技术的存在以及相关大规模数据集的可用性的驱动下，我们最近看到了VQA方面的巨大进步，出现了更多的系统和有前景的结果。
这本书提供了VQA的全面概述，包括基本理论，模型，数据集，和有前途的未来方向。考虑到它的范围，它可以作为一本关于计算机视觉和自然语言处理的教科书，特别是对于研究人员和学生在视觉问题回答领域。它还强调了VQA中使用的关键模型。
https://link.springer.com/book/10.1007/978-981-19-0964-1
成为VIP会员查看完整内容
Visual Question Answering From Theory to Application
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。
Arxiv
0+阅读 · 2022年7月9日
Arxiv
15+阅读 · 2021年9月22日
Arxiv
10+阅读 · 2018年4月11日
Arxiv
17+阅读 · 2018年3月20日
Arxiv
14+阅读 · 2018年3月14日
相关VIP内容
相关资讯
微信扫码咨询专知VIP会员