论文笔记: Hierarchical Question-Image Co-Attention for Visual Question Answering

Hierarchical Question-Image Co-Attention for Visual Question Answering 当前基于视觉注意的一些VQA方法主要关注:”where to look”或者 visual attention。本文认为基于问题的attention “which word to listen to ” 或者question attenion也相当重要。基于这个动机,文中提出一种多模注意模型:Co-attention + Question Hierarchy。   Co-attention:这个部 阅读详情
Hierarchical Question-Image Co-Attention for Visual Question Answering
JiasenLu∗,JianweiYang∗,DhruvBatra∗† ,DeviParikh∗† ∗Virginia Tech,†Georgia Institute of Technology {jiasenlu, jw2yang, dbatra, parikh}@vt.edu
Abstract
A number of recent works have proposed attention models for Visual Question Answering(VQA)thatgeneratespatialmapshighlightingimageregionsrelevantto answeringthequestion. Inthispaper,wearguethatinadditiontomodeling“where to look” or visual attention, it is equally important to model “what words to listen to” or question attention. We present a novel co-attention model for VQA that jointly reasons about image and question attention. In addition, our model reasons about the question (and consequently the image via the co-attention mechanism) in a hierarchical fashion via a novel 1-dimensional convolution neural networks (CNN).Ourmodelimprovesthestate-of-the-artontheVQAdatasetfrom60.3%to 60.5%, and from 61.6% to 63.3% on the COCO-QA dataset. By using ResNet, the performance is further improved to 62.1% for VQA and 65.4% for COCO-QA.1.

arXiv:1606.00061v5  [cs.CV]  19 Jan 2017

VQA中的注意力模型一般是生成空间映射以突出问题(文本)和图像区域之间的关联关系。

本文提出了除了视觉注意力即"看那里", 问题注意力即"听哪个词"也同等重要。

本文针对VQA提出了一种“协同注意力”模型联合的推理图像和文字注意力。

此外,本文的模型通过1D CNN有层次的推理问题(通过协同注意力,也包括图像推理)。


协同注意力:在问题(文本)和图像之间有自然的对称性,即问题(文本)的表征可以用来引导图像注意力,反之图像的表征可以用来引导文本注意力


问题(文本)层次: 本文使用三个层面来协同关注问题(文本)和图像,分别是 词, 短语, 句子(问题)

词层面, 用词嵌入表示

短语层面,使用1-D CNN获取unigrams, bigrams, trigrams中的信息,具体是,本文对词层面的表征采用不同过滤器卷积,对ngrams的输出响应进行池化组合形成一个简单的
短语层面的表征


问题层面,本文使用RNN来编码整个问题(文本),


在这个架构中的问题(文本)表征每个层面,本文构建了连接问题(文本)和图像的协同注意力映射,随后它们递归的组合起来最终预测答案的分布。


两种协同注意力: parallel , alternating



CVPR2026l论文整理 来源:筛选日期: 2026-06-13说明: 按标题关键词自动筛选, 同一论文可能命中多个分类。共 511 篇。 阅读详情

相关推荐

co-attention:BEA 13论文代码“用于基于源的论文评分的基于共同注意力的神经网络”

共同注意 BEA 13论文代码“用于基于源的论文评分的基于共同注意力的神经网络” 依存关系 用于data / preprocess_asap.py的python 2(将升级到python 3) 其余的python 3 tensorflow 2.0.0测试版 Gensim 恩特克 斯克莱恩 运行python2 data / preprocess_asap.py进行数据拆分。 从 Extract Gloves.6B.50d.txt下载Glove预训练的嵌入到手套文件夹,运行python3 attn_network.py [options]进行训练和评估。 引用 如果您使用该代码,请引用以下论文: @inproceedings{zhang2018co, title={Co-Attention Based Neural Network for Source-Dependent Ess

注意力机制最新综述解读

注意力模型(Attention Model,AM)已经成为神经网络中的一个重要概念,并在不同的应用领域进行了充分的研究。这项调查提供了一个结构化和全面的概述关于attention的发展。我们回顾了注意力机制被纳入的不同的神经网络结构,并展示了注意力如何提高神经网络的可解释性。最后,我们讨论了在实际应用中,注意力机制取得的重要影响。我们希望这项调查能够为注意力模型提供一个简明的介绍,并在开发应用方法...

沈春旭的博客 19万+

【ceph】OSD-基本存储单元

OSD 是 Ceph 的基本存储单元,负责对象的存储、检索和数据副本的管理。每个 OSD 进程通常对应于存储集群中的一个物理或虚拟存储设备(如硬盘或 SSD)。OSD 是 Ceph 的关键组成部分,负责对象的存储、管理和复制。通过多个 OSD 共同协作,Ceph 能够提供高可用性、可扩展性和容错能力,适用于各种存储需求。

qq_42853133的博客 1999

Co Attention注意力机制实现

“Hierarchical Question-Image Co-Attention for Visual Question Answering”中的图像和文本间的Co Attention协同注意力实现 参考: https://github.com/SkyOL5/VQA-CoAttention/blob/master/coatt/coattention_net.py https://github.com/Zhangtd/Models-reproducing/blob/master/NIPS2016/se

tszupup的博客 2万+

西门子交换机环网冗余设置(实战篇2.2)

MRP的重组时间为 200ms 因此 PROFINET 通信必须选择大于 200ms 的看门狗时间,看门狗。ET200SP默认为 2ms*3=6ms) MRP 的重组时间为 200ms 故系统会报出看门狗超时。更新,默认是 3 个周期,超出设置的周期数就会报 IO 设备故障。时间不是直接配置的,而是作为没有 IO 数据可接受的更新周期,也就是允许几个周期没有数据。来达到大于 200ms 的看门狗时间的要求(看门狗时间 可接受更新周期数 更新时间)。是IO 控制器和 IO 设备)

weixin_42580591的博客 366

脑电数据预处理八:基于 ICA 的伪迹去除

摘要: 脑电图(EEG)数据分析中,伪迹(如眼电、心电、肌电)与脑电信号频谱重叠时,独立成分分析(ICA)成为有效工具。ICA通过盲源分离将混合信号分解为统计独立的成分,识别并移除伪迹后重建干净信号。MNE-Python实现步骤包括:数据预处理(滤波、坏导处理)、ICA分解、人工与自动结合识别伪迹成分、剔除后重建数据。实践建议强调人工检查的重要性,避免过度使用ICA,并保存模型以提高效率。该方法显著提升数据质量,为后续分析奠定基础。

qq_32516809的博客 1660

无处不在的Attention

概述 之前的博客中,笔者都曾提到attention机制。这种考虑全局,关注重点的机制在深度学习中很常见,尤其是self-attention将自然语言处理带到一个新高度。attention增加了深度学习的可解释性,并且应用广泛,在自然语言处理,计算机视觉,推荐系统中到处可见。它克服了循环神经网络解决过长序列时的问题,并且也可以像卷积神经网络那样能够并行计算。本文就列举几个比较经典的attention...

Zackery的博客 2344

别再为通讯发愁了!手把手教你用PCAN-View调试Kinco步科伺服电机的CANopen

本文详细介绍了如何使用PCAN-View工具调试Kinco步科伺服电机的CANopen通讯,从环境搭建到实战演练,涵盖硬件连接、软件配置及故障排除。通过具体案例和代码示例,帮助工程师快速掌握伺服电机通讯控制技术,解决工业设备通讯难题。

weixin_29189377的博客 266

Co-Attention、Self-Attention 和 Bi-Attention

Co-Attention、Self-Attention 和 Bi-Attention

泡泡龙的泡泡 8044

RNA-Seq数据分析实战:从FastQC到STAR比对的完整流程(附避坑指南)

本文提供了RNA-Seq数据分析从FastQC质控到STAR比对的完整实战流程与避坑指南。详细解读了FastQC/MultiQC报告的关键指标,并重点阐述了STAR比对工具的核心参数设置、索引构建及性能优化策略,旨在帮助用户获得准确可靠的比对结果,为下游基因表达分析奠定坚实基础。

weixin_29290259的博客 92

pnpm 卸载教程:彻底移除 pnpm 及全局缓存的方法

卸载 pnpm = 全局包 → CLI → 环境变量 → store 缓存只要按这个顺序来,基本不会留下任何坑。如果你后面还打算重新安装 pnpm / 切换 npm、yarn / 多包管理器共存,这些细节反而更重要,环境一旦干净,后续问题会少很多。

代码简单说 Vue、JAVA、PHP、Node.js 熟练运用,接口、架构、性能全搞定。 936

Co-attention CNNs for Unsupervised Object Co-segmentation

协同物体分割-cosgementation

xiashaoyan1的专栏 761

微搭低代码实现用户登录及注册功能

在小程序开发中,我们可以拿到微信用户的openid,openid可以作为用户的唯一标识,在查询数据的时候可以进行数据过滤实现查询自己提交的数据。那微搭中是否也有openid这个概念,可以获取用户自己提交的数据呢? 答案是肯定的,那要怎么去做呢?思路是先创建一个数据源方法,在数据源中返回openid,然后低代码中可以调用数据源的方法并且赋值给全局变量,这样在后续的业务中从全局变量就可以获取openid了,方便做数据权限的控制。 为了实现这个目的,我们从创建数据源开始。 创建数据源 我们先创建一个用户管理的数据

低代码布道师的博客 3000

Hierarchical Question-Image Co-Attention for Visual Question Answering论文笔记

1.Abstract 作者认为之前的工作集中在寻找图片中的重点区域,但是也应该寻找问题中的重要的单词,所以提出了共同注意力(co-attention),目的是共同的推理图片和问题的注意力。 2.Introduction 作者提出的共同注意力具有以下两种特征: Co-Attention 与之前的工作不同,作者的提出的模型是对称的,通过图片表示可以引导产生问题的注意力,问题表示可以引导产生图片...

bxg1065283526的博客 1122

YOLO26改进策略【YOLO和Mamba】| 2024 VM-UNet,高效的特征提取模块VSS block 二次创新提高精度

VM-UNet模型设计的出发点是解决现有CNN-based和模型在医学图像分割中的局限性,利用(SSMs)的优势,提出一种更有效的医学图像分割模型。具体来说,CNN-based模型在捕捉长距离信息方面存在不足,而模型由于自注意力机制的二次复杂度导致计算负担较重。SSMs模型如Mamba不仅在建模长距离依赖方面表现出色,还具有线性计算复杂度,这为VM-UNet的设计提供了理论基础。

Limiiiing的博客 219

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

【多模态】《Hierarchical Question-Image Co-Attention for Visual Question Answering》论文阅读笔记

一、概述 这篇文章做的是VQA 与之前介绍的几篇文章用问题query对图像做attention不同的是,这篇文章最大的亮点在于:在本文中,我们认为除了建模“看哪里”或视觉注意力之外,建模“听什么词”或质疑注意力同样重要。 我们为 VQA 提出了一种新颖的共同注意力模型,该模型共同推理图像和问题注意力。 此外,我们的模型通过新颖的一维卷积神经网络 (CNN) 以分层方式对问题(以及因此通过共同注意机制的图像)进行推理。 之前的几篇用问题query对图像做attention的博客如下: 【多模态】《Stack

qq_36643449的博客 976

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

Hierarchical Question-Image Co-Attention for Visual Question Answering ——NIPS2016

Hierarchical Question-Image Co-Attention for Visual Question Answering ——2016NIPS 文章链接: https://arxiv.org/pdf/1606.00061v1.pdf Hierarchical Question-Image Co-Attention for Visual Question Answering 概括...

weixin_43364401的博客 493

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

论文解读:Hierarchical Question-Image Co-Attention for Visual Question Answering

这是关于VQA问题的第七篇系列文章。本篇文章将介绍论文:主要思想;模型方法;主要贡献。有兴趣可以查看原文:Hierarchical Question-Image Co-Attention for Visual Question Answering 1,主要思想: 当前基于视觉注意的些VQA方法主要关注:”where to look”或者 visual attention。本文认为基于问题的atte...

yeal 4817

Hierarchical Co-Attention for Visual Question Answering----代码细读

分层共同注意力代码解读 本文主要是对分层共同注意力的其中一篇代码解读,该代码不是原作者写的,原作者用的是torch,源码地址:https://github.com/jiasenlu/HieCoAttenVQA 本文用到的源码地址:https://github.com/karunraju/VQA 1. 总体代码结构 代码结构主要包含,谁是父类,谁是子类,谁调用谁…等, 我将代码的结构,用思维导图表示,如下: 详细如下: 接下来,分别介绍每个文件。 2. dataset.py 相应的注释在代码中已标注

snow_maple521的博客 1185

Fine-grained Adaptive Visual Prompt for Generative Medical Visual Question Answering精度

**摘要:FAVP:细粒度自适应视觉提示方法提升生成式医学视觉问答性能 AAAI 2025论文《Fine-grained Adaptive Visual Prompt for Generative Medical Visual Question Answering》提出FAVP方法,解决生成式医学视觉问答(MedVQA)中模型易受背景干扰、难以精准定位病灶的问题。传统判别式方法受限于固定答案集,而生成式方法虽能自由生成答案,但医学图像中关键区域(如器官、病灶)占比小,导致模型易忽略细节。FAVP通过两个核心

GodGump的博客 356

【文献阅读】HieCoAttenVQA——分层协同注意力网络VQA(J. Lu等人,NIPS,2016,有代码)

一、背景 文章题目:《Hierarchical Question-Image Co-Attention for Visual Question Answering》 这篇文章比较早,所以就挑一些重要的内容来写。 文章下载地址:https://arxiv.org/pdf/1606.00061.pdf 文章引用格式:Jiasen Lu, Jianwei Yang, Dhruv Batra, Devi Parikh. "Hierarchical Question-Image Co-Attention fo

QQ704630835的博客 2170

论文笔记:分层问题-图像共注意力问答(含pytorch实现)

整理了2017 Hierarchical Question-Image Co-Attention for Visual Question Answering论文的阅读笔记

zly_Always_be的博客 2098

BERT:用于语言理解的深度双向 Transformer 预训练

Abstract摘要我们提出了一种新的语言表示模型,称为 BERT,即来自Transformer的双向编码器表示。与近期的语言表示模型(Peters et al., 2018a;Radford et al., 2018)不同,BERT 旨在通过在所有层中联合利用左右上下文,从无标注文本中预训练深度双向表示。因此,只需添加一个额外的输出层,即可对预训练的BERT模型进行微调,从而为包括问答和语言Inference在内的广泛任务创建最先进的模型,而无需对特定任务的架构进行实质性修改。

u013250861的博客 127
上一篇: 论文笔记 : Review Networks for Caption Generation
下一篇: SICK数据集简介
zdcs
博客等级 码龄26年 28粉丝 30原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值