抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
視覚質問回答(VQA)は,正しい回答を予測する視覚推論とともに,質問と画像の高レベル理解を必要とする。したがって,質問におけるキーワードを持つ画像におけるキー領域を結合するための効果的な注意モデルを設計することが重要である。現在まで,ほとんどの注意ベース手法は,質問における画像と単語における個々の領域間の関係をモデル化するだけである。VQAに対する正しい回答を予測するのは,人間が常にグローバル情報に関して,局所情報だけでなく,常に考えるので,十分ではない。本論文では,大域的視点から情報を捉えることができる,積層グローバル融合注意(GFA)ブロックから成る新しいマルチモダリティグローバル融合注意ネットワーク(MGAN)を提案した。提案手法は,それらを個別に計算することよりも,同時に,共注意と自己注意を計算する。2つの最も一般的に使用されるベンチマーク,VQA-v2データセットに対して,提案した方法を検証した。実験結果は,提案方法が以前の最先端技術より優れていることを示した。著者らの最良の単一モデルは,VQA-v2のテスト-デvセットに関して70.67%の精度を達成した。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】