Visual Question Answering (VQA)

VQA 是一个包含关于图像的开放式问题的新数据集。这些问题需要对视觉、语言和常识知识的理解才能回答。 265,016 张图片（COCO 和抽象场景） 每张图片至少 3 个问题（平均 5.4 个问题） 每个问题 10 个基本事实答案 每个问题 3 个似是而非（但可能不正确）的答案 自动评估指标

VQA is a novel dataset featuring open-ended questions regarding images. Answering these questions requires comprehension of visual, linguistic, and commonsense knowledge. The dataset comprises 265,016 images sourced from COCO and abstract scenes, where each image is associated with a minimum of 3 questions (averaging 5.4 questions per image). Each question is paired with 10 ground-truth answers and 3 plausible (but potentially incorrect) distractor answers. Automatic evaluation metrics are available for this dataset.

搜集汇总

背景与挑战

背景概述

VQA是一个视觉问答数据集，包含基于COCO和抽象场景图像的开放式问题，需要综合视觉、语言和常识知识进行回答。该数据集规模为265,016张图片，每张图片平均有5.4个问题，每个问题提供10个基本答案和3个似是而非的答案，并支持自动评估。