answering 第4页

【VideoQA最新论文阅读】第一篇视频问答综述Video Question Answering: a Survey of Models and Datasets

VideoQuestionAnswering:aSurveyofModelsandDatasets长文预警！！！p.s.此篇文章于2021年1月25日新鲜出炉，在Springer需要付费观看，博主免费分享给大家，希望与大家共同学习！Abstract视频问答(VideoQA)根据视频内容自动回答自然语言问题。它促进了在线教育、情景分析、视频内容检索等方面的发展。VideoQA是一项具有挑战性的任务，

Leokadia Rothschild·2021-02-16 22:33

Chapter7-10_Deep Learning for Question Answering (1/2)

文章目录1什么是QuestionAnswering(QA)2按答案分类2.1答案是一个单词2.2答案是多个选项2.3答案是source中的一段话2.4答案是生成的一段话3按source分类3.1source是网页3.2source是图片或者视频3.3source是语音3.4source是视频本文为李弘毅老师【DeepLearningforQuestionAnswering(1/2)】的课程笔记，课

zjuPeco·2021-02-16 14:34

【VideoQA最新文献阅读】Open-Ended Multi-Modal Relational Reason for Video Question Answering

Open-EndedMulti-ModalRelationalReasonforVideoQuestionAnsweringAbstract视觉障碍者不仅在引导和检索对象等基础性任务上迫切需要帮助，而且在描绘新环境等先进性任务上也迫切需要帮助。比起导盲犬，它们可能更需要能够提供语言交互的设备。在此基础上，我们将研究机器人代理与视障人之间的交互。在我们的研究中，我们将开发一个机器人代理，它将能够分析

Leokadia Rothschild·2021-02-14 21:37

李宏毅DLHLP.28.Deep Learning for Question Answering.2/2

文章目录介绍SimpleQuestion:Match&ExtractQuery-to-contextAttentionQuery-to-contextAttentionv2Context-to-queryAttentionBiDAFDynamicCoattentionNetworksQANetBERTComplexQuestion:ReasoningCorpusQangarooHoppotQADR

oldmao_2001·2021-02-14 15:43

李宏毅DLHLP.27.Deep Learning for Question Answering.1/2

文章目录介绍AnswerAnswerissimplyawordMultipleChoicesSpaninSource/Extraction-basedFreeAnswerGenerationKnowwhatyoudon’tknowKnowledgeSourceDrQApicture/videoAudio介绍本门课程是2020年李宏毅老师新课：DeepLearningforHumanLanguage

oldmao_2001·2021-02-13 10:21

【VQA文献阅读】PATHVQA: 30000+ QUESTIONS FOR MEDICAL VISUAL QUESTION ANSWERING

【VQA文献阅读】PATHVQA:30000+QUESTIONSFORMEDICALVISUALQUESTIONANSWERING原文地址：https://arxiv.org/abs/2003.10286ABSTRACTIsitpossibletodevelopan“AIPathologist"topasstheboard-certifiedexaminationoftheAmericanBoar

Leokadia Rothschild·2021-02-09 11:59

【VQA文献阅读】VQA-Med: Overview of the Medical Visual Question Answering Task at ImageCLEF 2019

VQA-Med:OverviewoftheMedicalVisualQuestionAnsweringTaskatImageCLEF2019文章地址：http://ceur-ws.org/Vol-2380/paper_272.pdfAbstractThispaperpresentsanoverviewoftheMedicalVisualQuestionAnsweringtask(VQA-Med)a

Leokadia Rothschild·2021-02-09 11:28

IJCAI 2020 论文推荐丨Video Question Answering on Screencast Tutorials

论文名称：VideoQuestionAnsweringonScreencastTutorials推荐理由：本文介绍了一种关于录屏教程的新颖视频答题任务（videoquestionansweringtask）。作者介绍了一个数据集，它包括某软件的教程视频中的问题、答案和上下文三元组（contexttriples）。与其他视频答题工作不同的是，作者数据集中的所有答案都是基于领域知识库的。该工作设计了一

AMiner科技·2020-12-25 19:00

Relation-Aware Graph Attention Network for Visual Question Answering阅读笔记

Abstract这篇论文的工作以一个新的维度为中心，使用问题自适应的对象间关系丰富图像表示，以提高VQA性能。主要有以下的贡献：1、我们提出了一种新的基于图形的关系编码器，用于通过图形注意网络学习视觉对象之间的显式和隐式关系。2、学习到的关系是问题自适应的，这意味着它们可以动态地捕捉与每个问题最相关的视觉对象关系。一背景大多数现有技术对VQA的重点在于学习图像和问题的多模态联合表示。具体而言，卷积

这篇博客这样写·2020-11-30 21:59

【论文摘要】An Empirical Study of Content Understanding in Conversational Question Answering

本文仅为个人对论文的一点理解，如果有不对的地方烦请指正戳我看论文原文论文背景\quad机器阅读理解(machinereadingcomprehension)是NLP领域中一个很有代表性的任务，大体形式是给AI一些信息，向它提出问题，希望其理解文本内容并找到问题的答案。\quad用多轮对话的形式来进行问答是当下机器阅读理解当中一个非常重要的任务，这样的情景更接近于真实的应用环境（对于提问方没有多余的

LZJ209·2020-09-13 18:02

Kaggle TensorFlow 2.0 Question Answering 16名复盘

赛题海报这是Kaggle春节前结束的一个阅读理解的比赛[1]，我和管老师曹老师最终获得16/1233的成绩。成绩来自于管老师的提交，我自己的最好成绩大概排在23名的样子，不好不坏，略低于我们的预期。数据集这次比赛的数据集来自于Google，名为NaturalQuestions，简称NQ。数据集早在19年初就已经公布，在官网[2]上还有排行榜。这个数据集和SQuAD挺像的，关于SQuAD的介绍大家可

远皓·2020-09-11 23:00

Overcoming Language Priors in Visual Question Answering with Adversarial Regularization阅读笔记

现代视觉问答（VQA）模型已被证明严重依赖于训练期间所学的问答词之间的表面关联性，而与图像无关。本文提出了一个新的规则化方案，以减少这种影响。引入了一个仅问题模型，它将来自VQA模型的问题编码作为输入，并且必须利用语言偏差来获得成功。然后，将训练过程视为VQA模型和这个仅问题的对手之间的一场对抗性游戏，阻止VQA模型在其问题编码中捕捉语言偏差。此外，在考虑图像后，利用此仅问题模型来估计模型置信度的

untitled713·2020-09-10 18:07

论文解读：A Focused Dynamic Attention Model for Visual Question Answering

这是关于VQA问题的第四篇系列文章。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：AFocusedDynamicAttentionModelforVisualQuestionAnswering。1，主要思想：FocusedDynamicAttention(FDA)模型：通过问题的关键词，识别图像中重要的对象；并通过LSTM单元融合来自区域和全局特征的信息。然后将这种问题驱动

yealxxy·2020-09-10 18:18

视觉问答 Visual Question Answering （VQA）入门

马上就要结束研一上学期的学习，作者也在这个学期里从一个啥也不会的小白，到也算入门（keng）了视觉问答VisualQuestionAnswering（VQA）这一领域。相较于计算机视觉（CV）领域的其他任务，如检测、识别、分割等等，VQA算是一个新兴且小众的领域，因此相关的接近新手教程般的博客还是比较少。写这篇博客一是记录下半年所学，二是希望回馈一直帮助我的CSDN社区，帮助到可能要入门的同志们。

创园娃同学·2020-09-10 17:57

【文献阅读】基于格网注意力的VQA比基于区域注意力的VQA更快更轻？（H. Jiang等人，CVPR，2020）

openaccess.thecvf.com/content_CVPR_2020/papers/Jiang_In_Defense_of_Grid_Features_for_Visual_Question_Answering_CVPR

全部梭哈迟早暴富·2020-08-26 23:59

bug

已解决*answer_right提示“红包已经被抢光”，估计是moneyLeft的问题已解决*老邹answering答题提示sessioninvalid已解决*每次更新程序后，第一道题能答对；然后第一道题总是错的

莱德利基·2020-08-26 15:57

Probabilistic Neural-symbolic Models for Interpretable Visual Question Answering (VQA一概率神经符号网络）

原文下载地址：https://arxiv.org/pdf/1902.07864.pdf大概内容：这一篇提出了一种神经符号表示模型，与其他neural-symbolicmodel不同的是，这一篇的模型前带了probabilistic。背景：什么叫做neural-symbolicmodel呢？其实就是神经和符号网络模型的结合。神经网络缺乏解释，符号网络偏偏就强在interpretable。神经网络参数

我喝酸奶不舔盖·2020-08-25 01:58

论文解读：From Pixels to Objects: Cubic Visual Attention for Visual Question Answering

这是关于VQA问题的第十一篇系列文章。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：FromPixelstoObjects:CubicVisualAttentionforVisualQuestionAnswering1，主要思想作者提出一般的Spatialvisualattention只是选出了最关注的视觉对象，在通道上采用的相同的权重，这不符合attention的思路。基

yealxxy·2020-08-25 01:17

论文解读：Feature Enhancement in Attention for Visual Question Answering

这是关于VQA问题的第十篇系列文章。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：FeatureEnhancementinAttentionforVisualQuestionAnswering1，主要思想：这是2018年顶会（InternationalJointConferenceonArtificialIntelligence）的一篇关于vqa的论文。本文提出vqa问题中

yealxxy·2020-08-25 01:17

《Deep Attention Neural Tensor Network for Visual Question Answering》视觉问答的深度注意神经张量网络论文理解

一、介绍在本文中，我们提出了一种新颖的深度关注神经张量网络（DA-NTN）用于视觉问题回答，它可以发现基于张量表示的图像，问题和答案之间的联合相关性。首先，我们通过双线性特征对成对交互（例如，图像和问题）中的一个建模，进一步用三维（例如，答案）将其编码为双线性张量积的三元组。其次，我们通过不同的答案和问题类型分解不同的三元组的相关性，并进一步在张量上提出一个切片式注意模块，以选择最具判别力的推理过

陌上pamper·2020-08-24 01:52

实体-关系联合抽取：Entity-Relation Extraction as Multi-turn Question Answering

论文地址：https://www.aclweb.org/anthology/P19-1129.pdf原文地址：https://blog.csdn.net/MaybeForever/article/details/102790091文章标题：Entity-RelationExtractionasMulti-turnQuestionAnswering（实体关系提取作为多轮问题的回答）ACL2019这里

飞翔的大马哈鱼·2020-08-24 01:01

实体-关系联合抽取：Entity-Relation Extraction as Multi-turn Question Answering

论文地址：https://www.aclweb.org/anthology/P19-1129.pdf文章标题：Entity-RelationExtractionasMulti-turnQuestionAnswering（实体关系提取作为多轮问题的回答）ACL2019Abstract本文提出了一种新的实体关系抽取方法。我们将任务转换为一个多回合的问题回答问题，即，实体和关系的提取被转化为从上下文中识

浩比浩比·2020-08-23 23:11

Multi-Hop Paragraph Retrieval for Open-Domain Question Answering

ACL2019Multi-HopParagraphRetrievalforOpen-DomainQuestionAnsweringgithubQuestionAnswering问题粗略的可以分为两类：ReadingComprehension，RC：模型需要根据给定的问题和对应的输入文档找出答案所在，而且根据问题所对应文档的数目可分为single-hopreasoning和multi-hopreas

Forlogen·2020-08-23 04:53

【文献阅读】ST-VQA——利用图像中的场景文本进行视觉问答（A. F. Biten等人，ICCV，2019）

文章下载地址：http://openaccess.thecvf.com/content_ICCV_2019/papers/Biten_Scene_Text_Visual_Question_Answering_ICCV

全部梭哈迟早暴富·2020-08-17 19:22

Counterfactual Samples Synthesizing for Robust Visual Question Answering论文笔记

Abstract尽管视觉问答（VQA）在过去几年中已经取得了令人瞩目的进步，但是当今的VQA模型倾向于捕获训练集中的表层语言相关性，而不能推广到具有不同QA分布的测试集中。为了减少语言偏见，最近的一些工作引入了一个辅助的仅问题模型，以规范化目标VQA模型的训练，并在VQA-CP上实现主导性能。但是，由于设计的复杂性，当前的方法无法为基于集成模型的模型配备理想VQA模型的两个必不可少的特征：1）视觉

bxg1065283526·2020-08-14 13:59

In Defense of Grid Features for Visual Question Answering论文笔记

Abstract作为“自底向上”关注[2]，基于边界框（或区域）的视觉特征最近已经超过了普通的基于网格的卷积特征，成为视觉和语言任务（如视觉问题回答（VQA））的事实标准。然而，还不清楚地区的区域（例如更好的定位）是否是自下而上注意力成功的关键原因。在这篇文章中，我们重新审视了VQA的网格特性，发现它们可以非常好地工作——以同样的精度运行速度快一个数量级以上（例如，如果以类似的方式预先训练）。通过

bxg1065283526·2020-08-14 13:27

An Analysis of Visual Question Answering Algorithms翻译

Abstract在视觉问答(VQA)中，算法必须回答关于图像的基于文本的问题。尽管自2014年末以来，VQA已经创建了多个数据集，但它们在内容和算法评估方式上都存在缺陷。结果，评估分数被夸大了，而且主要是通过回答更简单的问题来决定的，这使得比较不同的方法变得很困难。在本文中，我们使用一个名为任务驱动图像理解挑战(TDIUC)的新数据集来分析现有的VQA算法，该数据集有超过160万个问题，分为12个

bxg1065283526·2020-08-14 13:27

Visual Question Answering: A Survey of Methods and Datasets

Abstract视觉问答（VQA）是一项具有挑战性的任务，已受到计算机视觉和自然语言处理社区的越来越多的关注。给定图像和自然语言的问题，就需要对图像的视觉元素和常识进行推理，以推断出正确的答案。在本调查的第一部分中，我们通过比较解决问题的现代方法来检查最新技术。我们通过它们将视觉和文本模态联系起来的机制对方法进行分类。特别是，我们研究了结合卷积神经网络和递归神经网络将图像和问题映射到公共特征空间的

bxg1065283526·2020-08-14 13:27

ABC-CNN: An Attention Based Convolutional Neural Network for Visual Question Answering

这样子的话·2020-08-03 01:34

Coarse-Grain Fine-Grain Coattention Network for Multi-Evidence Question Answering

ICLR2019Coarse-GrainFine-GrainCoattentionNetworkforMulti-EvidenceQuestionAnswering背景本篇文章所关注的问题是机器阅读理解（MachineReadingComprehension），即根据查询在给定的文档中寻找相应答案的部分，具体来说是多事实QA（multi-evidenceQA）问题。现有的端到端模型在单文档QA问题

Forlogen·2020-08-02 15:15

基于kbqa 的复旦大学论文解释 learning question answering over QA corpora and knowledge bases(一)

由于我利用了大牛的论文复现了代码，但是很多同学都不太懂，由于本人代码规范不是太好，并且最近太忙所以一直没有整理这方面的，所以抽出时间，准备再重新过一遍，然后看是否能够基于本篇论文做更多的贡献，然后把代码从头梳理一遍。那么从论文开始进行编辑。1.abstract摘要问答已经变成一个比较流行的方式，人类从billion数据集中获取知识的方式。与网页搜索不同的是基于知识库的QA更加精准并且答案简洁，并且

chenmingwei000·2020-08-01 11:14

(含源码)「自然语言处理(NLP)」Question Answering(QA)论文整理(六)

来源:AINLPer微信公众号（每日更新…）编辑:ShuYini校稿:ShuYini时间:2020-07-24引言：本次整理的论文还是主要偏向于机器阅读理解的问答（MRC-QA），其中主要涉及到双向注意流(BIDAF)网络、GatedAttention模型、ASReader模型、问答句子识别、双向注意机制和层次表示学习的关系图神经网络、类人问答系统建立等。本次论文获取方式：1、关注AINLPer微

yinizhilianlove·2020-08-01 08:27

(含源码)「自然语言处理(NLP)」Question Answering(QA)论文整理(五)

来源:AINLPer微信公众号（每日更新…）编辑:ShuYini校稿:ShuYini时间:2020-07-21引言：本次整理的论文还是主要偏向于Open-DomainQA，其中主要涉及到增强Ranker-Reader、SearchQA的大型数据集、PullNet集成框架、改进的加权抽样训练策略、开放QA中的Bert模型优化等。本次论文获取方式：1、关注AINLPer微信公众号（每日更新…）回复：Q

yinizhilianlove·2020-08-01 08:26

2019年CS224N课程笔记-Lecture 10: Question Answering

资源链接：https://www.bilibili.com/video/BV1r4411正文内容当我们在谷歌浏览器中搜索澳大利亚第三任总统是谁时，谷歌浏览器会告诉我们答案，这就是一个问答系统而且这是通过我们提问语句的特征进行回答的，而不是基于结构化数据存储的问答，我们今天要讨论的也主要是神经问答系统问答系统产生的动机大概意思就是我们现在有特别多的全文文本，早起搜索可能就是返回相关的文档（类似于你想

任菜菜学编程·2020-07-19 22:27

Structured Multimodal Attentions for TextVQA

PipelineTextVQA任务需要三个步骤：reading，reasoning，answering，该模型专注于后两个步骤。1、Questionself-attentionmodule：

-Limbo-·2020-07-17 01:00

[FabNotes34]作业17：应用 | Week 17 - Applications & Implications

proposeafinalprojectthatintegratestherangeofunitscovered,answering:whatwillitdo?

Kidult·2020-07-12 12:11

Coarse-to-Fine Question Answering for Long Documents

Coarse-to-FineQuestionAnsweringforLongDocuments用于长文档的粗读到精度问题回答（问答）说明：本篇翻译文章来源于2017年ACL会议（ACL会议（AnnualMeetingoftheAssociationforComputationalLinguistics）是自然语言处理与计算语言学领域最高级别的学术会议，由计算语言学协会主办，每年一届。）本篇主要对其

myFamily329·2020-07-11 21:17

自下而上和自上而下的注意力模型《Bottom-Up and Top-Down Attention for Image Captioning and Visual Question Answering》

本文有点长，请耐心阅读，定会有收货。如有不足，欢迎交流，另附:论文下载地址一、文献摘要介绍Top-downvisualattentionmechanismshavebeenusedextensivelyinimagecaptioningandvisualquestionanswering(VQA)toenabledeeperimageunderstandingthroughfifine-grain

Tiám青年·2020-07-10 12:26

用于视觉问答的与问题无关的注意模型《Question-Agnostic Attention for Visual Question Answering》

目录一、文献摘要介绍二、网络框架介绍三、实验分析四、结论这是视觉问答论文阅读的系列笔记之一，本文有点长，请耐心阅读，定会有收货。如有不足，随时欢迎交流和探讨。一、文献摘要介绍VisualQuestionAnswering(VQA)modelsemployattentionmechanismstodiscoverimagelocationsthataremostrelevantforanswerin

Tiám青年·2020-07-10 12:26

用于视觉问答的防御网格特征模型《In Defense of Grid Features for Visual Question Answering》

这是视觉问答论文阅读的系列笔记之一，本文有点长，请耐心阅读，定会有收获。如有不足，随时欢迎交流和探讨。一、文献摘要介绍Popularizedas‘bottom-up’attention[2],boundingbox(orregion)basedvisualfeatureshaverecentlysurpassedvanillagrid-basedconvolutionalfeaturesasthe

Tiám青年·2020-07-10 12:26

用于视觉问答的双线性超对角线融合模型《BLOCK: Bilinear Superdiagonal Fusion for Visual Question Answering》

目录一、文献摘要介绍二、网络框架介绍三、实验分析四、结论这是视觉问答论文阅读的系列笔记之一，本文有点长，请耐心阅读，定会有收货。如有不足，随时欢迎交流和探讨。一、文献摘要介绍Multimodalrepresentationlearningisgainingmoreandmoreinterestwithinthedeeplearningcommunity.Whilebilinearmodelspro

Tiám青年·2020-07-10 12:53

用于视觉问答的深度注意神经张量网络模型《Deep Attention Neural Tensor Network for Visual Question Answering》

目录一、文献摘要介绍二、网络框架介绍三、实验分析四、结论本文有点长，请耐心阅读，定会有收货。如有不足，欢迎交流，另附：论文下载地址一、文献摘要介绍Visualquestionanswering(VQA)hasdrawngreatattentionincross-modallearningproblems,whichenablesamachinetoansweranaturallanguageque

Tiám青年·2020-07-10 12:53

用于视觉问答的深度模块化共同注意网络《Deep Modular Co-Attention Networks for Visual Question Answering》

目录文献摘要介绍文献内容讲解网络框架详细介绍实验分析结论本文有点长，请耐心阅读，定会有收货。自己是研究生一枚，如有不足，欢迎交流附:本文的代码地址一、文献摘要介绍VisualQuestionAnswering(VQA)requiresafine-grainedandsimultaneousunderstandingofboththevisualcontentofimagesandthetextua

Tiám青年·2020-07-10 12:53

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：HierarchicalQuestion-ImageCo-AttentionforVisualQuestionAnswering1，主要思想：当前基于视觉注意的些VQA方法主要关注：”wheretolook”或者visualattention。本文认为基于问题的attention“whichw

yealxxy·2020-07-10 05:24

视觉场景理解论文阅读笔记:Bottom-Up and Top-Down Attention for Image Captioning and Visual Question Answering

TayLion王·2020-07-10 04:41

Denoising Distantly Supervised Open-Domain Question Answering

摘要远距离监督的开放领域问答（DS-QA）的目的是在未标记文本的集合中找到答案。现有的DS-QA模型通常从大型语料库中检索相关段落，并应用阅读理解技术从最相关的段落中提取答案。他们忽略了其他段落中包含的丰富信息。此外，远距离监督的数据不可避免地会伴随着错误的标签问题，而这些嘈杂的数据将大大降低DS-QA的性能。为了解决这些问题，我们提出了一种新颖的DS-QA模型，该模型采用段落选择器过滤掉那些嘈杂

nopSled·2020-07-02 17:02

《Stacked Attention Networks for Image Question Answering》论文分析 and 代码分析（待完善）

一.模型SAN其实主要分为3个部分：LSTM/CNN（用来提取输入的问题特征）、CNN（提取图像特征）、Attention（注意力层）。其中CNN部分其实不是集成在SAN网络中的，原文的实现方式其实是用已经预训练好了的VGG16来提取图片feature，然后直接调用这些feature，而不会去更新VGG16网络的权重。所以最终实际程序需要实现的部分其实就是LSTM/CNN部分和Attention部

智商25的憨憨·2020-07-02 01:30

Dynamic Fusion with Intra- and Inter-modality Attention Flow for Visual Question Answering 心得体会

近日研读了一篇文章，题目：《DynamicFusionwithIntra-andInter-modalityAttentionFlowforVisualQuestionAnswering》这篇文章是CVPR2019的文章，作者主要来自港中文。文章链接如下：DynamicFusionwithIntra-andInter-modalityAttentionFlowforVisualQuestionAn

智商25的憨憨·2020-07-02 01:58

Bidirectional Attentive Memory Networks for Question Answering over Knowledge Bases

BidirectionalAttentiveMemoryNetworksforQuestionAnsweringoverKnowledgeBasesoriginmotivationmodeltrainandtestexperimentKnowledgeBases)origin2019naaclyuChenRensselaerPolytechnicInstituteLingfeiWuIBMResea

damuge2·2020-07-01 21:50

论文浅尝 | 利用推理链进行视觉问题回答

http://papers.nips.cc/paper/7311-chain-of-reasoning-for-visual-question-answering.pdf动机在视觉问题回答中，较为复杂的问题经常需要多步骤的推理才能够回答

开放知识图谱·2020-07-01 13:52

推荐频道

answering

【VideoQA最新论文阅读】第一篇视频问答综述Video Question Answering: a Survey of Models and Datasets

Chapter7-10_Deep Learning for Question Answering (1/2)

【VideoQA最新文献阅读】Open-Ended Multi-Modal Relational Reason for Video Question Answering

李宏毅DLHLP.28.Deep Learning for Question Answering.2/2

李宏毅DLHLP.27.Deep Learning for Question Answering.1/2

【VQA文献阅读】PATHVQA: 30000+ QUESTIONS FOR MEDICAL VISUAL QUESTION ANSWERING

【VQA文献阅读】VQA-Med: Overview of the Medical Visual Question Answering Task at ImageCLEF 2019

IJCAI 2020 论文推荐丨Video Question Answering on Screencast Tutorials

Relation-Aware Graph Attention Network for Visual Question Answering阅读笔记

【论文摘要】An Empirical Study of Content Understanding in Conversational Question Answering

Kaggle TensorFlow 2.0 Question Answering 16名复盘

Overcoming Language Priors in Visual Question Answering with Adversarial Regularization阅读笔记

论文解读：A Focused Dynamic Attention Model for Visual Question Answering

视觉问答 Visual Question Answering （VQA）入门

【文献阅读】基于格网注意力的VQA比基于区域注意力的VQA更快更轻？（H. Jiang等人，CVPR，2020）

bug

Probabilistic Neural-symbolic Models for Interpretable Visual Question Answering (VQA一概率神经符号网络）

论文解读：From Pixels to Objects: Cubic Visual Attention for Visual Question Answering

论文解读：Feature Enhancement in Attention for Visual Question Answering

《Deep Attention Neural Tensor Network for Visual Question Answering》视觉问答的深度注意神经张量网络论文理解

实体-关系联合抽取：Entity-Relation Extraction as Multi-turn Question Answering

实体-关系联合抽取：Entity-Relation Extraction as Multi-turn Question Answering

Multi-Hop Paragraph Retrieval for Open-Domain Question Answering

【文献阅读】ST-VQA——利用图像中的场景文本进行视觉问答（A. F. Biten等人，ICCV，2019）

Counterfactual Samples Synthesizing for Robust Visual Question Answering论文笔记

In Defense of Grid Features for Visual Question Answering论文笔记

An Analysis of Visual Question Answering Algorithms翻译

Visual Question Answering: A Survey of Methods and Datasets

ABC-CNN: An Attention Based Convolutional Neural Network for Visual Question Answering

Coarse-Grain Fine-Grain Coattention Network for Multi-Evidence Question Answering

基于kbqa 的复旦大学论文解释 learning question answering over QA corpora and knowledge bases(一)

(含源码)「自然语言处理(NLP)」Question Answering(QA)论文整理(六)

(含源码)「自然语言处理(NLP)」Question Answering(QA)论文整理(五)

2019年CS224N课程笔记-Lecture 10: Question Answering

Structured Multimodal Attentions for TextVQA

[FabNotes34]作业17：应用 | Week 17 - Applications & Implications

Coarse-to-Fine Question Answering for Long Documents

自下而上和自上而下的注意力模型《Bottom-Up and Top-Down Attention for Image Captioning and Visual Question Answering》

用于视觉问答的与问题无关的注意模型《Question-Agnostic Attention for Visual Question Answering》

用于视觉问答的防御网格特征模型《In Defense of Grid Features for Visual Question Answering》

用于视觉问答的双线性超对角线融合模型《BLOCK: Bilinear Superdiagonal Fusion for Visual Question Answering》

用于视觉问答的深度注意神经张量网络模型《Deep Attention Neural Tensor Network for Visual Question Answering》

用于视觉问答的深度模块化共同注意网络 《Deep Modular Co-Attention Networks for Visual Question Answering》

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

视觉场景理解论文阅读笔记:Bottom-Up and Top-Down Attention for Image Captioning and Visual Question Answering

Denoising Distantly Supervised Open-Domain Question Answering

《Stacked Attention Networks for Image Question Answering》 论文分析 and 代码分析（待完善）

Dynamic Fusion with Intra- and Inter-modality Attention Flow for Visual Question Answering 心得体会

Bidirectional Attentive Memory Networks for Question Answering over Knowledge Bases

论文浅尝 | 利用推理链进行视觉问题回答

用于视觉问答的深度模块化共同注意网络《Deep Modular Co-Attention Networks for Visual Question Answering》

《Stacked Attention Networks for Image Question Answering》论文分析 and 代码分析（待完善）