《表1 不同算法在VQA v2.0 test-std测试集上的准确率比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《结合自底向上注意力机制和记忆网络的视觉问答模型》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注:加粗字体为每列最优结果。

在VQA v2.0的test-std测试集上，选取9种现有代表性的视觉问答模型与本文模型进行比较，包括两大基线模型prior（Antol等，2015）和languageonly（Antol等，2015）及d-LSTM+n-I（deeper LSTM and normalized image）（Lu等，2015）、SAN（stacked attention networks）（Yang等，2016）、MRN（multimodal residual networks）（Kim等，2016）、MCB（multimodal compact bilinear）（Fukui等，2016）、DCD＿ZJU（Lin等，2017）、VQA machine（Wang等，2017）、updown（Anderson等，2018）等主流算法。表1列出了所有比较算法的准确率，从总体及“是/否”、“计数”、“其他”问题类别上，对算法性能进行比较。可以看出，本文模型的总体准确率与up-down模型相接近，二者均高于其他算法。在视觉问答任务中，与其他算法相比，本文模型的准确率有显著提升。与早期的基线模型prior、language-only、d-LSTM+n-I相比，总体准确率分别提高38.1%、19.7%、9.8%；与后期引入注意力机制的SAN和DCD＿ZJU算法相比，总体准确率分别提高8.7%和1.5%；与引入多模态残差网络的MRN算法相比，总体准确率提高6.6%；与提出新的多模态特征融合的MCB算法相比，总体准确率提高1.7%；相比于性能较好的VQA machine算法，本文模型总体及回答“是/否”、“计数”、“其他”问题的准确率分别提高了1%、1.1%、3.4%和0.6%，在总体和3个不同问题类别上，本文模型在视觉问答任务中都取得了不错效果。