摘要

我们描述了一种用于视觉问答的非常简单的词袋基线模型。该基线模型将问题中的词特征与图像的卷积神经网络（CNN）特征进行拼接，以预测答案。在具有挑战性的VQA数据集上评估时，该模型的表现与许多最近使用循环神经网络的方法相当。为了探索训练模型的优势和劣势，我们还提供了一个交互式网页演示和开源代码。