Fugu-MT 論文翻訳(概要): Vision And Text Transformer For Predicting Answerability On Visual Question Answering

論文の概要: Vision And Text Transformer For Predicting Answerability On Visual Question Answering

arxiv url: http://arxiv.org/abs/2609.16565v1
Date: Tue, 15 Sep 2026 03:02:23 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-16 14:56:08.323271
Title: Vision And Text Transformer For Predicting Answerability On Visual Question Answering
Title（参考訳）: 視覚的質問応答における解答可能性予測のための視覚とテキスト変換器
Abstract要約: 本稿では,トランスフォーマアーキテクチャによる視覚的特徴とテキスト的特徴を利用するVT-Transformerを提案する。 VizWiz 2020データセットの実験結果から,視覚質問応答に対するVT変換器の有効性とロバスト性が確認された。
参考スコア（独自算出の注目度）: 6.891890597247013
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Answerability on Visual Question Answering is a novel and attractive task to predict answerable scores between images and questions in multi-modal data. Existing works often utilize a binary mapping from visual question answering systems into Answerability. It does not reflect the essence of this problem. Together with our consideration of Answerability in a regression task, we propose VT-Transformer, which exploits visual and textual features through Transformer architecture. Experimental results on VizWiz 2020 dataset show the effectiveness and robustness of VT-Transformer for Answerability on Visual Question Answering when comparing with competitive baselines.
Abstract（参考訳）: 視覚質問回答の解答可能性(Answerability on Visual Question Answering)は、マルチモーダルデータにおける画像と質問の間の答え可能なスコアを予測するための、新しく魅力的なタスクである。既存の作業は、視覚的な質問応答システムから解答可能性へのバイナリマッピングを利用することが多い。それはこの問題の本質を反映していない。回帰タスクにおける解答可能性の検討とともに,変換器アーキテクチャによる視覚的・テキスト的特徴を利用したVT変換器を提案する。 VizWiz 2020データセットの実験結果から,VT-Transformerの視覚質問応答に対する応答性に対する有効性とロバスト性を示した。

関連論文リスト

Self-Evolving Visual Questioner [53.949845616431624]
視覚言語モデル(VLM)は一般的に受動応答器として訓練される。 VLMは外部の監督なしに視覚的質問者として継続的に改善できることを示す。本稿では,VLM自体をプロジェクタとフィルタの両方として使用する自己進化型フレームワークを提案する。
論文参考訳（メタデータ） (2026-06-11T21:45:46Z)
Automated Generation of Challenging Multiple-Choice Questions for Vision Language Model Evaluation [69.81654421834989]
オープンエンドの質問を自動的にマルチ選択フォーマットに変換するエージェントフレームワークであるAutoを紹介します。我々の実験は、オートが人間と同じような、あるいは低い精度で、複数選択の質問を訂正し、挑戦できることを実証した。我々はVMCBench上で33の最先端ビジョン言語モデル(VLM)を包括的に評価し、スケーラブルで一貫した再現可能なVLM評価のための新しい標準を設定した。
論文参考訳（メタデータ） (2025-01-06T18:57:31Z)
UNK-VQA: A Dataset and a Probe into the Abstention Ability of Multi-modal Large Models [55.22048505787125]
本稿ではUNK-VQAと呼ばれる包括的データセットを提案する。まず、画像または疑問について意図的に摂動することで、既存のデータを拡大する。そこで我々は,新たなマルチモーダル大規模モデルのゼロショット性能と少数ショット性能を広範囲に評価した。
論文参考訳（メタデータ） (2023-10-17T02:38:09Z)
Dynamic Clue Bottlenecks: Towards Interpretable-by-Design Visual Question Answering [58.64831511644917]
本稿では, モデル決定を中間的人間法的な説明に分解する設計モデルを提案する。我々は、我々の本質的に解釈可能なシステムは、推論に焦点をあてた質問において、同等のブラックボックスシステムよりも4.64%改善できることを示した。
論文参考訳（メタデータ） (2023-05-24T08:33:15Z)
What's Different between Visual Question Answering for Machine "Understanding" Versus for Accessibility? [8.373151777137792]
視覚的質問応答(VQA)では、機械は関連する画像が与えられた質問に答えなければならない。各種VQAモデルを評価することにより,マシンの"理解"データセット(VQA-v2)とアクセシビリティデータセット(VizWiz)の相違性を評価する。本研究は,VQAにおけるアクセシビリティの機会と課題について考察し,今後の研究の方向性を提案する。
論文参考訳（メタデータ） (2022-10-26T18:23:53Z)
Equivariant and Invariant Grounding for Video Question Answering [68.33688981540998]
ほとんどの主要なVideoQAモデルはブラックボックスとして機能し、応答プロセスの背後にある視覚言語的なアライメントを曖昧にする。解釈可能なビデオQA(EIGV)のための自己解釈可能なフレームワーク、同変および不変グラウンドを考案する。 EIGVは、因果場面と環境情報を区別し、視覚言語的アライメントを明確に提示することができる。
論文参考訳（メタデータ） (2022-07-26T10:01:02Z)
Grounding Answers for Visual Questions Asked by Visually Impaired People [16.978747012406266]
VizWiz-VQA-Groundingは、視覚障害者が質問する視覚的質問に答えを視覚的に根拠付ける最初のデータセットである。データセットを分析し、それを5つのVQA-Groundingデータセットと比較し、類似点と異なる点を実証します。
論文参考訳（メタデータ） (2022-02-04T06:47:16Z)
Bridge to Answer: Structure-aware Graph Interaction Network for Video Question Answering [56.65656211928256]
本稿では,ある映像に対する質問に対する正しい回答を推測する新しい手法である「回答のためのブリッジ」を提案する。映像と問合せの関係を利用して,問答間インタラクションを用いて各視覚ノードを有効化することにより,質問条件付きビジュアルグラフを学習する。本手法は,映像質問応答に強力な能力を示す外観と動作に起因する質問条件付き視覚表現を学習できる。
論文参考訳（メタデータ） (2021-04-29T03:02:37Z)
CLEVR_HYP: A Challenge Dataset and Baselines for Visual Question Answering with Hypothetical Actions over Images [31.317663183139384]
視覚的な理解は、特定のシナリオで特定のアクションを実行するという仮説的な結果が精神的にシミュレートされるような質問に答えることに挑戦される。 CLEVRデータセットに基づいて視覚言語による質問応答タスクを定式化する。
論文参考訳（メタデータ） (2021-04-13T07:29:21Z)
Answer-Driven Visual State Estimator for Goal-Oriented Visual Dialogue [42.563261906213455]
視覚状態に対する異なる回答の効果を付加するアンサー駆動型視覚状態推定器(ADVSE)を提案する。まず、視覚的注意に対する回答駆動の効果を捉えるために、回答駆動集中注意(ADFA)を提案する。そして、焦点をあてて、条件付き視覚情報融合(CVIF)による視覚状態推定を行う。
論文参考訳（メタデータ） (2020-10-01T12:46:38Z)
Semantic Equivalent Adversarial Data Augmentation for Visual Question Answering [65.54116210742511]
ディープニューラルネットワーク(DNN)の急速な発展により、VQA(Visual Question Answering)は大きな成功を収めた。本稿では,画像と質問を直接操作する代わりに,画像と質問の両方に対して生成した逆例を拡張データとして使用する。 VQAv2の全体的な性能は向上するばかりでなく、敵攻撃に効果的に対応できることがわかりました。
論文参考訳（メタデータ） (2020-07-19T05:01:01Z)
Visual Question Answering as a Multi-Task Problem [0.0]
本稿では,視覚質問応答をマルチタスク問題とみなすべきであるという仮説を提示する。一般的な2つのVisual Question Answeringデータセットをマルチタスク形式に再構成することでこれを実証する。その結果,視覚質問応答に対するマルチタスクアプローチは,シングルタスクフォーマットに対して5～9%の性能向上をもたらすことがわかった。
論文参考訳（メタデータ） (2020-07-03T16:07:13Z)
On the General Value of Evidence, and Bilingual Scene-Text Visual Question Answering [120.64104995052189]
本稿では,2つの言語で表現された質問を含む,この問題に対処するための一歩を踏み出したデータセットを提案する。推論を測定することは、偶然に正しい答えを罰することによって、直接一般化を促進する。データセットはVQA問題のシーンテキストバージョンを反映しており、推論評価は参照表現課題のテキストベースのバージョンと見なすことができる。
論文参考訳（メタデータ） (2020-02-24T13:02:31Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。