2.4.4　視覺問答

視覺問答（Visual Question Answering）簡稱VQA，是近年來非常熱門的一個方向。一般來說，視覺問答系統(tǒng)需要將圖像和問題作為輸入，結合這兩部分信息，產(chǎn)生一條人類語言作為輸出。針對一幅特定的圖像，如果想要機器以自然語言處理（NLP）來回答關于該圖像的某個特定問題，就需要讓機器對圖像的內(nèi)容、問題的含義和意圖、相關的常識有一定的理解。就其本性而言，這是一個多學科研究問題。圖2-5為視覺問答過程圖。

圖2-5　視覺問答過程圖