摘要

在视觉问答（VQA）数据集中，大多数计数问题较为简单，仅需进行物体检测即可解决。然而，本研究关注的是涉及物体间关系、属性识别、推理等复杂因素的计数问题。为此，我们创建了TallyQA，这是目前世界上最大的开放性计数数据集。我们提出了一种新的计数算法，该算法利用带有区域建议的关系网络。这种方法使得关系网络能够在高分辨率图像中高效应用。与基线系统和近期系统相比，我们的方法在TallyQA和HowMany-QA基准测试中均取得了最先进的结果。