北京网站建设排行西安seo经理

补充一下MCAN-VQA：

对图片的处理：首先输入图片到Faster R-CNN，会先设定一个判断是否检测到物体的阈值，这样动态的生成m∈[10,100]个目标，然后从检测到的对应的区域通过平均池化提取特征。第i个物体特征表示为：，所以一张图片就被表示为一个特征矩阵：。

对问题的处理：首先分成词，最多分为14个词，然后用300-D GloVe word embeddings变成向量，然后过LSTM，使用LSTM所有单词的输出，得到问题特征矩阵：，n是分成的单词个数。

m和n可能不一样，用0填充到max(m,n)。

然后有了图片和问题的特征矩阵X和Y，送入下面的Deep Co-Attention Learning模块，由L层MAC层堆叠。

这个MAC层分为两种，stacking和encoder-decoder，和transformer很像，大概如下图：

Deep Co-Attention Learning模块输出的，，送入Multimodal Fusion and Output Classifier模块，这个模块有个两层的MLP，做attention reduction

α是学习到的权重。

然后线性多模态融合：

得到Z之后后面就是做分类，sigmoid。

一些实验结果：

所以SA(Y)-SGA(X,Y)比较好，Encoder-decoder比较好。