【作品名称】：基于 python+深度学习的视觉问答【毕业设计】（含源码+答辩 ppt） 【适用人群】：适用于希望学习不同技术领域的小白或进阶学习者。可作为毕设项目、课程设计、大作业、工程实训或初期项目立项。 【项目介绍】：对于视觉问答（VQA）的研究具有深刻的学术意义和广阔的应用前景。目前，视觉问答模型性能提升的重点在于图像特征的提取，文本特征的提取，attention权重的计算和图像特征与文本特征融合的方式这4个方面。本文主要针对attention权重的计算和图像特征与文本特征融合这两个方面，以及其他细节方面的地方相对于前人的模型做出了改进。本文的主要工作在于本文使用open-ended模式，答案的准确率采用分数累积，而不是一般的多项选择。本文采用CSF模块（包括CSF_A和CSF_B）不仅对spatial-wise进行了权重计算，还对channel-wise进行了权重计算。本文采用MFB模块和ResNet152 FC层之前的tensor来结合LSTM的输出来计算每个区域的权重，而不是直接把image feature和question feature结合本文采用SigMoid来

视觉问题回答项目，具有最先进的单一模型性能

屈亚迪基于VGG和LSTM网络的视觉问答系统研究与应用.docx

视觉问答 该实现遵循“图像字幕和视觉问题解答的自下而上和自上而下注意”（ ）和“视觉问题解答的提示和技巧：从中学到的知识”中描述的VQA系统2017年挑战”（ ）。 结果 模型 验证准确性 训练时间 实施模型（CNN扩展+ BCP） 64.2 40至50分钟（Titan Xp） 使用计算准确性。 实施细节 我们的实现遵循论文的总体结构，但有以下简化： 我们不使用额外数据。 每个图像我们仅使用固定数量的对象（K = 36）。 我们使用一个简单的单流分类器而不进行预训练。 我们使用简单的ReLU激活而不是封闭的tanh。 前两点大大减少了培训时间。 在单个Titan Xp上，我们的实现每个周期大约需要200秒，而本文中描述的实现每个周期需要1个小时。 第三点是因为我们认为原始文档中的两个流分类器和预训练过于复杂，因此没有必要。 对于非线性激活单元，我们尝试了门tanh，

医学视觉问答(VQA)是医学人工智能和流行的VQA挑战的结合。用自然语言给出医学图像和临床相关问题，期望医学VQA系统能够给出一个可信的、令人信服的答案。虽然一般领域的VQA已经得到了广泛的研究，但医学VQA由于其任务特点，还需要具体的研究和探索。

基于Tensorflow的视觉问答系统VQA

Deep Modular Co-Attention Networks for Visual Question Answering

视觉问答综述，文章中给出了模型的代码，讨论了未来研究热点 New Research Opportunities

视觉问答中所有语言先验，偏见的论文，代码，ppt

很棒的VQA 阅读有关视觉问题解答的论文清单。 目录 图像质量检查论文 数据集 DAQUAR [2014] [NIPS]一种基于不确定输入的多场景现实场景问题解答方法。[ ] [ ] [] DAQUAR共识[2015年] [ICCV]问你-基于神经神经元的方法来回答问题的有关图片。[ ] [ ] [] 视觉Madlibs [2015年] [ICCV]在空白说明生成和答疑视觉Madlibs填充。[ ] [] [] VQA V1.0 [2015年] [ICCV] VQA，视觉答疑。[ ] [] [] FM-IQA [2015年] [NIPS]你说一台机器数据集和方法多语言映像答疑。[] [] [] SHAPES [2016] [CVPR]神经模块网络。[ ] [] [] Visual7W [2016年] [CVPR] Visual7W：接地问答系统中的图像[ ] [] []