Il prossimoProssima guida
Risposta alla domanda
Intelligenza artificiale linguistica
GUIDA AI visiva
Visual Question Answering (VQA) consente a un sistema di rispondere a domande in linguaggio naturale in formato libero su un'immagine, ad esempio "Quante persone indossano cappelli?" È necessario comprendere congiuntamente sia l’immagine che la domanda per produrre una risposta corretta.
Ascolta questa guidaNarrato dall'IA · ~2 min
Il Visual Question Answering combina la visione artificiale e l'elaborazione del linguaggio naturale: data un'immagine e una domanda, il modello restituisce una risposta, che può essere una singola parola, una breve frase o una risposta sì/no. L'attività è stata resa popolare dal set di dati VQA (Antol et al., 2015) e dalla sua versione perfezionata VQA v2.0, che bilanciava le risposte per scoraggiare i modelli dall'indovinare dal solo testo. I sistemi codificano l'immagine e la domanda, fondono le due rappresentazioni e quindi prevedono una risposta, storicamente classificando su un vocabolario di risposte fisso. Oggi, modelli di linguaggio visivo di grandi dimensioni come GPT-4V, LLaVA e PaLI gestiscono VQA a tempo indeterminato, ragionando su oggetti, attributi, conteggi, relazioni spaziali e persino testo scritto all'interno delle immagini.
Lasciare che gli utenti non vedenti fotografino un prodotto e chiedano "Che sapore è questo?" o "Qual è la data di scadenza?"
Rispondere a domande su grafici, moduli e documenti scansionati (documento VQA) nei flussi di lavoro aziendali
Alimentare gli assistenti di vendita al dettaglio e di e-commerce che rispondono alla domanda "Questa giacca ha un cappuccio?" da una foto del prodotto
Supportare la revisione delle immagini mediche o scientifiche rispondendo a domande mirate su scansioni o immagini microscopiche
La VQA si sta evolvendo da una classificazione a risposta breve verso un ragionamento visivo aperto in più fasi con spiegazioni. Aspettatevi una gestione più efficace del conteggio, dei grafici, dei diagrammi e del testo nell'immagine (documento VQA), oltre al video VQA che ragiona nel tempo. Ridurre i pregiudizi sulle scorciatoie e le allucinazioni rimane una priorità, così come radicare le risposte in specifiche regioni dell’immagine per garantire la fiducia. Assistenti multimodali capaci risponderanno sempre più a domande visive in modo conversazionale sui telefoni, nella robotica e negli strumenti di accessibilità che aiutano gli utenti a interrogare l’ambiente circostante.
Newsletter gratuita
Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.
Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.
Mettiti alla prova
Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.
Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione
Visual Question Answering (VQA) consente a un sistema di rispondere a domande in linguaggio naturale in formato libero su un'immagine, ad esempio "Quante persone indossano cappelli?" È necessario comprendere congiuntamente sia l’immagine che la domanda per produrre una risposta corretta.
VQA prende sia un'immagine che una domanda al riguardo, quindi produce una risposta fondata sull'immagine.
VQA v2.0 abbina domande a immagini che hanno risposte diverse, costringendo i modelli a utilizzare effettivamente l'input visivo anziché sfruttare le statistiche del testo.
Il bias linguistico si verifica quando un modello sfrutta le statistiche delle risposte legate alla formulazione delle domande invece di guardare l'immagine.
I modelli VQA codificano ciascuna modalità e le fondono, spesso utilizzando l'attenzione incrociata in modo che le parole interrogative si rivolgano alle regioni dell'immagine rilevanti.
Molti dei primi modelli VQA trattavano il compito come una classificazione rispetto alle risposte più frequenti, sebbene i modelli moderni generino testo a risposta aperta.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
Risposta alla domanda
Intelligenza artificiale linguistica