摘要

本文提出了一种新的视觉问答任务基线模型。给定一张图像和一个自然语言问题，该模型能够根据图像的内容生成准确的答案。尽管我们的模型在架构上相对简单且可训练参数较少，但它在不平衡和平衡的VQA基准测试中均创下了新的最佳记录。在VQA 1.0开放性挑战中，我们的模型在标准测试集上达到了64.6%的准确率，未使用额外数据的情况下比现有最佳结果提高了0.4%；而在新发布的VQA 2.0验证集中，我们的模型得分59.7%，超过了之前报告的最佳结果0.5%。本文所展示的结果尤为引人关注，因为此前尝试过非常相似的模型，但性能显著较低。鉴于这些新结果，我们希望未来能看到更多有意义的视觉问答研究。