软件学报

作者：包希港，周春来，肖克晶，覃飙

单位：包希港，中国人民大学 信息学院, 北京 10087211,周春来，中国人民大学 信息学院, 北京 10087202,肖克晶，中国人民大学 信息学院, 北京 10087203,覃飙，中国人民大学 信息学院, 北京 10087204

关键词：视觉问答;交叉方向;语言偏见;数据集分布;鲁棒性

基金：国家自然科学基金（61772534，61732006）

视觉问答是计算机视觉领域和自然语言处理领域的交叉方向，近年来受到了广泛关注.在视觉问答任务中，算法需要回答基于特定图片（或视频）的问题.自2014年第一个视觉问答数据集发布以来，若干大规模数据集在近5年内被陆续发布，并有大量算法在此基础上被提出.已有的综述性研究重点针对视觉问答任务的发展进行了总结，但近年来，有研究发现，视觉问答模型强烈依赖语言偏见和数据集的分布，特别是自VQA-CP数据集发布以来，许多模型的效果大幅度下降.主要详细介绍近年来提出的算法以及发布的数据集，特别是讨论了算法在加强鲁棒性方面的研究.对视觉问答任务的算法进行分类总结，介绍了其动机、细节以及局限性.最后讨论了视觉问答任务的挑战及展望.

来源：2021年第8期

《软件学报》期刊编辑部

查看软件学报杂志2021年第8期