- …
- …
#830
summarized by : QIUYUE
どんな論文か？
Visual Commonsense Reasoningのためのデータセットを提案(一枚の画像，画像中のRegions，質問から回答及びその理由を選択肢から選ぶ). VCRデータセットに290KのマルチチョイスVQA問題から構成される．高質で低バイアスのデータセット構築のためのAdversarial Matchingを提案した(回答ごとに3回正解として3回不正解としてデータセットに使用)．
新規性
従来のVQAデータセット(VQA2.0, GQAなど)と比べ，認識レベルを超えた画像・言語の理解が必要となる問題設定及びデータセットセットの提案．
結果
SOTAなVQAモデルがVCRにおいて45%程度の精度を出した．(Human精度は90%＋)提案のRecognition to Cognition Networks (R2C)が65%程度の精度を達成．
その他（なぜ通ったか？等）
Visual Commonsen Reasonig課題自体が難しいが現実世界では重要なので，VQAなどの発展に連れて今後は検討するべきであると思う．このデータセットが提案されたので，今後のVCR手法の発展なども相対的行いやすくなる．また，論文の図表などがきれいに仕上げられている．
- …
- …