摘要

现有的视觉推理方法试图直接使用黑箱架构将输入映射到输出，而没有显式建模底层的推理过程。因此，这些黑箱模型往往学会利用数据中的偏差，而不是真正进行视觉推理。受模块网络的启发，本文提出了一种视觉推理模型，该模型由一个程序生成器和一个执行引擎组成。程序生成器构建要执行的推理过程的显式表示，而执行引擎则运行生成的程序以产生答案。程序生成器和执行引擎均通过神经网络实现，并使用反向传播和REINFORCE算法进行训练。利用CLEVR视觉推理基准测试，我们展示了我们的模型在多种设置下显著优于强大的基线模型，并且具有更好的泛化能力。