原文链接：https://arxiv.org/pdf/2006.00753
Motivation
对于TextVQA任务，作者提出了一种基于结构化的文本-物体图的模型。图中文本和物体作为节点，节点之间的联系作为边。
Pipeline
TextVQA任务需要三个步骤：reading，reasoning，answering，该模型专注于后两个步骤。
1、Question self-attention module：问题拆解为物体、文本、物体-物体、物体-文本、文本-物体、文本-文本六种特征，用来在下一步对图进行更新。
2、Question consitioned graph attention module建立和更新图。以文本和物体作为节点建立网络，节点之间连接由相对距离决定。利用上述问题特征在图上进行推理，推断节点的重要性和节点之间的关系。物体-文本的问题特征用来更新物体-文本边，物体的问题特征用来更新物体节点。
3、Global-local attention answering module迭代生成变长答案。问题、物体、文本、局部OCR embedding一起输入，从OCR和固定词汇表中选取回答。
Question Self-Attention Module
如图，该模块用于将问题序列分解为六种问题特征，并生成自注意力权重，用于下一步运算。
图中t, to, tt, o, ot, oo代表六种特征（节点/边）：
object nodes, text nodes；object-object edges, object-text edges, text-object edges, text-text edges
问题的单词序列首先经过三层的BERT进行embedding得到xt序列，然后通过不同运算得到自注意力权重和分解的问题特征。其中自注意力权重由下式计算，仅由问题本身决定，用于下一步计算节点的注意力权重。
xt经过六个不同的MLP+softmax得到六种注意力权重（对应t, to, tt, o, ot, oo），对原先的xt做加权和，得到分解的问题特征s：
Question Conditioned Graph Attention Module
该模块构建图并进行更新，然后加权得到以问题作为条件的物体和文本特征。
Role-aware Heterogeneous Graph Construction
首先建立起异质图，包含物体集O、文本集T、边集E，以空间距离为基础连接边。边eij由节点oi和oj的长宽、维度相关。
Question Conditioned Graph Attention
使用不同的问题特征来更新图的对应部分（例如用Soo更新oo边），六种注意力pm使用不同的方式计算，但整体上都是以物体特征、文本特征、边的特征和上一步中的分解问题特征作为输入进行计算。
物体节点注意力：对于物体i，使用Faster R-CNN的特征和边界框的位置作为输入，经过线性变换、layer norm、利用问题特征进行ReLU、点积、softmax，得到最终的poi。
文本节点注意力：类似于M4C，使用FastText、Faster R-CNN、PHOC、bounding box、RecogCNN的特征作为输入，类似于上述方法得到pot。
边注意力：对于节点oi的每一条邻边，使用eij和xiobj计算该边的注意力权重qijoo；然后使用qijoo作为权重，xijoo作为输入，经过类似上述方法得到pioo。
Weighting Module
使用第一步计算出的问题自注意力权重作为权重，对分解的注意力权重p进行加权求和，得到每个节点的注意力权重（物体节点使用po、poo、pot，文本节点使用pt、ptt、pto），然后对节点特征做加权和得到最终的图片和文本特征gobj、gtext。
Global-Local Attentional Answering Module
答案预测模块与M4C类似，上一步计算出的文本物体特征g、第一步计算出的分解问题特征s、OCR embedding作为输入，通过transformers进行特征融合。g经过线性变换后通过fpred得到答案的第一个单词，其中fpred是两分支的打分函数（对于固定词汇表使用线性变换层，对于OCR单词使用点积）。
预测出第一个单词后，此后的每个单词仅由前一步的单词作为输入进行计算，即gdec，其值为OCR embedding（若前一个单词来自OCR）或线性层的权重（若前一个单词来自词汇表）。gdec通过transformers后经过打分函数fpred得到这一步的预测单词。
Experiments
通过ablation study，作者发现将classifier更换为decoder（支持生成多个单词）后精度上升了4%，使用BERT进行embedding后上升了0.5%，增加RecogCNN特征后又上升了1%，最终超过了此前的SoTA M4C的精度。
去除Question Conditioned Graph Attention Module后得到baseline，然后在此基础上分别添加oo、ot、tt、to四种关系，结果发现text-object的效果最好，符合对于该任务的直观理解。
通过多数据集预训练和其他优化，作者团队在TextVQA竞赛中取得冠军。（值得一提的是，我们的队伍取得了季军）
AWT人工标注了所有OCR单词，从而获得了精度的上界，使得可以只研究模型的推理能力而不必考虑OCR识别能力带来的差异。
Visualization
以上是一个可视化效果示例。问题中的物体包括player、right，文本为number。核心的ot关系为player whose number is 20，核心的to关系是last name of player。右图中黄框代表物体节点，蓝框代表文本节点，箭头代表边。实线代表与答案最相关的节点，虚线代表一般节点。