VL任务及数据集
Image Retrieval（图像检索）
基本模型结构：
Grounding Referring Expression（在图像中找到自然语言对应描述的物体）
基本模型结构：
Image Captioning（图像描述）
基本模型结构：
数据集: COCO
Visual Question Answering（VQA，视觉问答）
基本模型结构：
两通道 VQA 模型：
数据集: VQA v1, VQA v2, Visual Genome, GQA
Visual Dialog（VD，视觉对话）
基本模型结构：
数据集: Visual Dialog, GuessWhat?!
demo
ViLBERT: https://vilbert.cloudcv.org/
本文参考于 ACL 2022 tutorial：Vision-Language Pretraining: Current Trends and the Future