Risposta visiva alle domande
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.
Immersione profonda
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.
Approfondimento tecnico
Un tipico modello VQA codifica l'immagine (CNN o trasformatore di visione) e la domanda (codificatore di testo del trasformatore), quindi le fonde, spesso con attenzione incrociata, in modo che le parole della domanda si occupino delle regioni dell'immagine. Il vettore fuso alimenta un classificatore per le risposte comuni o un decodificatore linguistico per le risposte aperte. Una trappola nota è il pregiudizio linguistico: i modelli possono sfruttare le statistiche delle risposte e ignorare l’immagine, cosa che i set di dati bilanciati come VQA v2.0 contrastano specificamente.
Impatto strategico
Velocità e scala
L’intelligenza artificiale visiva può automatizzare le attività di ispezione, rilevamento ed etichettatura su larga scala.
Scelte di build
I team creativi possono prototipare i concetti più velocemente con meno revisioni manuali.
Team e flusso di lavoro
Le operazioni possono utilizzare segnali immagine e video che in precedenza erano difficili da elaborare.
Il futuro della risposta visiva alle domande
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.
Implementazione nel mondo reale
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
Rischi e guardrail
I diritti di immagine e il consenso possono diventare rischi legali se la provenienza non è chiara.
Le prestazioni del modello possono variare in base all'illuminazione, ai dati demografici e agli ambienti.
I falsi positivi possono passare inosservati a meno che non vengano monitorate le soglie di confidenza.
Tabella di marcia per l'implementazione
Definire i criteri di accettazione per i costi di precisione, richiamo ed errore.
Testare con dati che corrispondono alle reali condizioni di produzione.
Aggiungi la revisione umana per previsioni poco attendibili o ad alto impatto.
Tieni traccia della deriva del modello e riconvalida dopo le modifiche alla fotocamera o al set di dati.
Continua a esplorare
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Visual Question Answering quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Prossima guida
Risposta alla domanda
Domande frequenti
What is Visual Question Answering?
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.
Quali sono i due input che accetta un sistema di risposta visiva alle domande?
VQA prende sia un'immagine che una domanda al riguardo, quindi produce una risposta fondata sull'immagine.
Perché il set di dati VQA v2.0 è stato creato con risposte "bilanciate"?
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.
Cos'è il "pregiudizio linguistico" nella VQA?
Il bias linguistico si verifica quando un modello sfrutta le statistiche delle risposte legate alla formulazione delle domande invece di guardare l'immagine.
In che modo molti modelli VQA combinano immagini e informazioni sulle domande?
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.
I classici sistemi VQA spesso producevano risposte facendo cosa?
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.