【文章阅读visual granding】GuessWhat?! Visual object discovery through multi-modal dialogue
一、文章主要有两个贡献点
1、建立了基于对话的visual granding数据集
2、给出了基于深度学习的baseline model
二、数据集
这是数据集中的两个例子，可以发现每一张图有一个instance级别的标注，并且对应若干个问答形式的描述！任务的目的在于通过这些问答形式的描述，自动的确定所描述的目标物体是谁！
三、基础模型
从图中可以发现，模型的结构还是比较简单的，有5类不通的输入内容：1、context也就是全局上下文，也就是整张图像；2、crop，也...
原创
2020-06-08 20:13:02 ·
507 阅读 ·
0 评论
关注
分享
扫一扫