版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/ACBattle/article/details/83509593
这是一种涉及计算机视觉和自然语言处理的学习任务。
初识—定义：
A VQA system takes as input an image and a free-form, open-ended, natural-language question about the image and produces a natural-language answer as the output.
翻译下就是：一个VQA系统以一张图片和一个关于这张图片形式自由、开放式的自然语言问题作为输入，以生成一条自然语言答案作为输出。简单来说，VQA就是给定的图片进行问答。
VQA涉及到多方面的AI技术：
细粒度识别（这位女士是白种人吗？)
物体识别（图中有几个香蕉？）
行为识别（这位女士在哭吗？）
对问题所包含文本的理解（NLP）
现实应用
最直接的就是帮助盲人和视觉受损用户的应用。VQA系统可以在网络或者任何社交媒体上提供关于图像的信息。另一个明显的应用是将VQA集成到图像检索系统中。
延伸
目前有一个大数据的作业，不良信息检测，因此我想对其进行延伸，应用到不良视频检测，希望能够通过问答，或者看图说话进行鉴别