DualNet：用于视觉问答的领域不变网络
计算机视觉与模式识别
2017-05-05 v2
摘要
视觉问答（VQA）任务不仅弥合了图像与语言之间的鸿沟，还要求根据问题的语言语境理解图像内的特定内容，以生成准确的答案。因此，构建图像和文本的高效嵌入至关重要。我们实现了 DualNet，它通过分别执行两项操作，充分利用了图像和文本特征的判别能力。构建 DualNet 的集成进一步提升了性能。与普遍看法相反，尽管各自领域具有显著不同的属性，我们的方法在真实图像和抽象场景中均证明有效。我们的方法即使没有明确采用注意力机制，也能在真实图像类别中优于先前的 SOTA 方法，并且在抽象场景类别中也优于我们自己的 SOTA 方法，该方法近期在 VQA Challenge 2016 中荣获第一名。
引用
@article{arxiv.1606.06108,
title = {DualNet: Domain-Invariant Network for Visual Question Answering},
author = {Kuniaki Saito and Andrew Shin and Yoshitaka Ushiku and Tatsuya Harada},
journal= {arXiv preprint arXiv:1606.06108},
year = {2017}
}
备注
Accepted as an oral paper by ICME 2017