用于 VQA 的视觉定位方法其实基于错误原因在起作用！

现有的视觉问答（VQA）方法倾向于利用数据集偏差与虚假统计相关性，而非基于正确理由给出正确答案。为解决此问题，近期 VQA 的偏差缓解方法提出引入视觉线索（如人类注意力图）以更好地定位 VQA 模型，并展示了令人印象深刻的提升。然而，我们表明这些性能提升并非源于改进的视觉定位，而是一种防止过拟合语言先验的正则化效应。例如，我们发现实际上并无必要提供恰当的、基于人类的线索；随机的、无意义的线索也能带来类似的提升。基于该观察，我们提出了一种更简单的正则化方案，其不需要任何外部标注，却在 VQA-CPv2 上取得了接近最先进的性能。