强大的视觉问题答案:数据集,方法和未来的挑战

科学领域:

• 计算机科学 计算机科学
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 视觉问题答案 (VQA) 系统面临着数据偏差的挑战,导致分布之外的性能差.
• 现有的VQA方法往往记住偏见,而不是学习接地图像理解.

研究的目的:

• 为VQA提供数据集,评估指标和退化方法的全面调查.
• 在VQA任务中分析视觉和语言预训练模型的稳定性.
• 在强大的VQA中确定未来的研究方向.

主要方法:

• 从分销和分销之外的角度对数据集发展的概述.
• 检查VQA数据集中使用的评估指标.
• 关于现有的VQA退化方法的类型的建议,分析它们的发展,特征和比较.
• 对代表性视觉和语言预训练模型在VQA上的稳定性进行分析.

主要成果:

• 该调查对VQA数据集和评估指标进行了分类,强调了它们的演变和局限性.
• 介绍了脱方法的结构化类型,详细介绍了它们的方法和相对稳定性.
• 分析揭示了VQA.当前视觉和语言预培训模型的稳定性特征.

结论:

• 该研究强调了对强大的VQA系统的关键需求,这些系统可以克服数据偏差.
• 它综合了目前关于VQA强度的研究,为研究人员提供了基础资源.
• 确定了未来研究的关键领域,以推进可靠的视觉问题答案领域.