转载

视觉问答领域又一力作！斯坦福大学教授发布图像场景图问答数据集 GQA

雷锋网 AI 科技评论： GQA 是斯坦福大学教授 Christopher Manning 及其学生 Drew Hudson 一同打造的全新图像场景图问答数据集，旨在推动场景理解与视觉问答研究领域的进步。

据 Christopher Manning 教授及其学生 Drew Hudson 调查后发现，现有的视觉问答数据集主要存在两种缺陷：一个是 基准失误 ，当中包括了基于语言先验的偏见、视觉偏见、过分关注显着对象、来源有误、对象缺位、答案不合逻辑、模型反应不一致等；一个是 推理数据集的数量很有限 。

为此，他们开发了一个用于对现实世界的图像进行视觉推理与综合回答的全新数据集 GQA，该数据集包含高达 20M 的各种日常生活图像，主要源自于 COCO 和 Flickr。 每张图像都 与图中的物体、属性与关系的场景图（scene graph）相关 ，创建上基于最新清洁版本的 Visual Genome。此外，每个问题都与其语义的结构化表示相关联，功能程序上指定必须采取一定的推理步骤才能进行回答。

GQA 数据集的许多问题涉及多种推理技巧、空间理解以及多步推理，比起人们先前常用的视觉回答数据集，更具有挑战性。他们保证了数据集的平衡性，严格控制不同问题组的答案分布，以防止人们通过语言和世界先验知识进行有据猜测。

视觉问答领域又一力作！斯坦福大学教授发布图像场景图问答数据集 GQA