[人工智能]VQA论文2021CVPR

2021CVPR

Perception Matters: Detecting Perception Failures of VQA Models Using Metamorphic Testing

论文链接
代码

论文概述

高水平的推理一般需要执行多个感知子任务。对于VQA，仅仅使用准确率衡量模型的好坏，无法详细指出错误是来自于低水平的感知问题还是高水平的推理。本文引入MetaVQA，将图像和问题分别转换成子问题和子图像，衡量VQA模型的感知能力。

方法

Question-Oriented MRs: 使用细粒度的目标检测器$O{D}_{fine}$提取出目标和相应的属性；由于细粒度的提取的目标有较多的重叠，使用粗粒度的目标检测器定位目标，以进行图像的分割；

• Object-/Property-Oriented Partitioning: 根据图像中目标识别的结果，合成可分解的计数问题，验证$V(q,i)={\sum }_{q^{\prime }\in Q_{par}}V(q^{\prime },i)$；注意在MetaVQA中仅仅将问题分成两个子问题验证就使得准确率下降；分解方法有Object-Oriented Partitioning:将问题q转换成计数两个单独的objects的数量；见下图；
  Property-Oriented Partitioning例子：$Q:$How many standing giraffes and lying giraffes are in the image?
  $Q_1:$“How many standing giraffes are in the image?”
  $Q_2:$“How many lying giraffes are in the image?”
  
• Object- and Property-Oriented Reordering: 将问题和属性调换位置；
• Object- or Property-Oriented Reversion：问题反转，答案应该不同；

Image-Oriented MRs： 根据$O{D}_{coarse}$得到一系列的目标，从而将图像进行分割成不相交的几部分；在不损坏图像其他目标的前提下，加入一些目标或者移除一些不相关的物体；增加一个问题所问的物体；

实验

对近几年的SOTA方法按照论文中的方法进行评估，结果如下：

方法中的+代表使用了train+val set，对于大部分的方法，增加训练数据反而会增加模型的错误率；BERT模型对于Insertion,partition,removal效果好的原因可能是将很多结果预测为0；Oscar模型将图像和问题进行对齐，可以增加对问题和图像的理解，因此效果算是可以的；

想法

2019,2020CVPR均有方法衡量模型的一致性，这篇论文将模型训练好以后，进行衡量，本质上也差不多；现在VQA论文比较少，大部分关注于模型的鲁棒性，提出新的评估方法，仅仅通过准确率可能无法反映模型真正的能力；仅仅通过简单的增加数据对模型效果的增加并不是很明显；

Separating Skills and Concepts for Novel Visual Question Answering

论文链接

AGQA: A Benchmark for Compositional Spatio-Temporal Reasoning

Predicting Human Scanpaths in Visual Question Answering

论文链接

Roses are Red, Violets are Blue… But Should VQA expect Them To?

论文概述

VQA模型很容易利用数据集中的统计误差，对于OOD数据和具有少量样本的数据效果不好。VQA-CP人工调整训练集和测试集中的答案分布，不能反映真实世界的趋势，同时由于没有验证集，得到的模型过度拟合于这种分布；本文提出GQA-OOD认为稀少的问答对更能反映模型的推理能力；

方法