读论文：Improved Fusion of Visual and Language Representations by Dense Symmetric Co-Attention for VQA

读论文：Improved Fusion of Visual and Language Representations by Dense Symmetric Co-Attention for Visual Question Answering

---

一、概述

本文的贡献是提出了一种注意力机制，可在两种模态之间进行密集的双向交互，以此来提高答案预测的准确性。具体来说，作者提出了一种在视觉和语言表示之间完全对称的体系结构，其中每个问题词都关注图像区域，而每个图像区域都涉及问题词。堆叠形成一个层次结构，用于图像问题对之间的多步交互。

二、网络结构

下图为本文的整体模型，其中使用了堆叠的密集交互注意层（其内部细节在下面再做详细解释），通过对图像和问题的密集交互注意来进行答案预测。

三、相关工作

1.首先对问题和答案进行表征


2.图像表征

3.密集注意层Dense Co-Attention Layer

4. 密集共同注意机制Dense Co-attent