(reading)Revisiting Visual Question Answering Baselines

---

阅读后收获：对于VQA，使用MLP model，将I-Q-A作为输入做caption效果要好于以I-A作为输入，将I-A作为输入做caption效果要好于以Q-A作为输入，将Q-A作为输入做caption效果要好于以A作为输入，但是仅仅以A作为输入，在Visual7W telling task中就可以达到50.7%的准确性，说明了仅仅学习A分布的bias就可以取得不错的效果。另外结合不断填充扩大的Knowledge source，效果会进一步的提升，另外，通过iterative query去获取task-driven的信息，可以大大提高学习效果。