zdcs的专栏

因为要预研VQA项目参考，趁GPU满负荷的时间，记录下这个数据集相关笔记： 官方网站定义为： Visual Genome 是一个数据集，知识库，不断努力把结构化的图像概念和语言连接起来。 使用了众包的方式实现，由李飞飞一位同事 Michael Bernstein 提出。 截至今天2016/12/08包含： 108077张图片 540 万对区域的描述（Region

因为要预研VQA项目参考，趁GPU满负荷的时间，记录下这个数据集相关笔记： 官方网站http://www.visualqa.org/ 目前发布了v1.0, 包含 真实图像（MSCOCO 数据集）： 204,721 MSCOCO images (all of current train/val/test)614,163 questions6,141,630 groun

Ask, Attend and Answer: Exploring Question-Guided Spatial Attention for Visual Question Answering Huijuan Xu and Kate Saenko Department of Computer Science, UMass Lowell, USA hxu1@cs.uml.edu, saenko

Aligning where to see and what to tell: image caption with region-based attention and scene factorization rXiv:1506.06272v1  [cs.CV]  20 Jun 2015 摘要部分: 本文提出一种图像文字标注系统利用了图像与句子之间的平行结构 在该模型中，

HADAMARD PRODUCT FOR LOW-RANK BILINEAR POOLING Jin-HwaKim Interdisciplinary Program in Cognitive Science Seoul National University Seoul, 08826, Republic of Korea jhkim@bi.snu.ac.kr Kyoung-WoonOn Sc

Multimodal Compact Bilinear Pooling for Visual Question Answering and Visual Grounding AkiraFukui*1,2 DongHukPark*1 DaylenYang*1 AnnaRohrbach*1,3 TrevorDarrell1 MarcusRohrbach1 1UC Berkeley EECS, CA,

Hierarchical Question-Image Co-Attention for Visual Question Answering JiasenLu∗,JianweiYang∗,DhruvBatra∗† ,DeviParikh∗† ∗Virginia Tech,†Georgia Institute of Technology {jiasenlu, jw2yang, dbatra, pa