2.4.4　视觉问答

视觉问答（Visual Question Answering）简称VQA，是近年来非常热门的一个方向。一般来说，视觉问答系统需要将图像和问题作为输入，结合这两部分信息，产生一条人类语言作为输出。针对一幅特定的图像，如果想要机器以自然语言处理（NLP）来回答关于该图像的某个特定问题，就需要让机器对图像的内容、问题的含义和意图、相关的常识有一定的理解。就其本性而言，这是一个多学科研究问题。图2-5为视觉问答过程图。

图2-5　视觉问答过程图