Trả lời câu hỏi trực quan
Trả lời câu hỏi trực quan (VQA) cho phép hệ thống trả lời các câu hỏi bằng ngôn ngữ tự nhiên dạng tự do về một hình ảnh, chẳng hạn như 'Có bao nhiêu người đang đội mũ?' Nó đòi hỏi sự hiểu biết chung về cả bức tranh và câu hỏi để đưa ra câu trả lời đúng.
Lặn sâu
Trả lời câu hỏi trực quan kết hợp thị giác máy tính và xử lý ngôn ngữ tự nhiên: khi đưa ra một hình ảnh và một câu hỏi, mô hình sẽ trả về câu trả lời, có thể là một từ, một cụm từ ngắn hoặc câu trả lời có/không. Nhiệm vụ này đã được phổ biến nhờ bộ dữ liệu VQA (Antol và cộng sự, 2015) và phiên bản VQA v2.0 được tinh chỉnh của nó, giúp cân bằng các câu trả lời để ngăn cản các mô hình đoán chỉ từ văn bản. Các hệ thống mã hóa hình ảnh và câu hỏi, kết hợp hai cách trình bày và sau đó dự đoán câu trả lời, theo lịch sử bằng cách phân loại theo từ vựng cho câu trả lời cố định. Ngày nay, các mô hình ngôn ngữ thị giác lớn như GPT-4V, LLaVA và PaLI xử lý VQA mở, lý luận về các đối tượng, thuộc tính, số lượng, quan hệ không gian và thậm chí cả văn bản được viết bên trong hình ảnh.
Hiểu biết kỹ thuật
Một mô hình VQA điển hình mã hóa hình ảnh (CNN hoặc bộ biến đổi tầm nhìn) và câu hỏi (bộ mã hóa văn bản biến áp), sau đó hợp nhất chúng, thường có sự chú ý chéo để các từ câu hỏi tập trung vào các vùng hình ảnh. Vectơ hợp nhất cung cấp bộ phân loại dựa trên các câu trả lời phổ biến hoặc bộ giải mã ngôn ngữ cho các câu trả lời có kết thúc mở. Một cạm bẫy đã biết là sai lệch ngôn ngữ: các mô hình có thể khai thác số liệu thống kê câu trả lời và bỏ qua hình ảnh, điều này phản ánh cụ thể các bộ dữ liệu cân bằng như VQA v2.0.
Tác động chiến lược
Tốc độ và tỷ lệ
Visual AI có thể tự động hóa các nhiệm vụ kiểm tra, phát hiện và gắn thẻ trên quy mô lớn.
Xây dựng lựa chọn
Các nhóm sáng tạo có thể tạo nguyên mẫu nhanh hơn với ít sửa đổi thủ công hơn.
Nhóm và quy trình làm việc
Các hoạt động có thể sử dụng tín hiệu hình ảnh và video mà trước đây khó xử lý.
Tương lai của việc trả lời câu hỏi trực quan
VQA đang phát triển từ phân loại câu trả lời ngắn sang lý luận trực quan nhiều bước, có kết thúc mở kèm theo giải thích. Mong đợi khả năng xử lý mạnh mẽ hơn về tính toán, biểu đồ, sơ đồ và văn bản trong hình ảnh (tài liệu VQA), cùng với VQA video lý giải theo thời gian. Giảm độ lệch lối tắt và ảo giác vẫn là ưu tiên hàng đầu, cũng như các câu trả lời cơ bản ở các vùng hình ảnh cụ thể để tạo sự tin cậy. Các trợ lý đa phương thức có khả năng sẽ ngày càng trả lời các câu hỏi trực quan một cách trò chuyện trên điện thoại, trong robot và trong các công cụ trợ năng giúp người dùng thẩm vấn môi trường xung quanh họ.
Triển khai trong thế giới thực
Để người dùng mù chụp ảnh sản phẩm và hỏi 'Đây là hương vị gì?' hoặc 'Ngày hết hạn là gì?'
Giải đáp thắc mắc về biểu đồ, biểu mẫu, tài liệu scan (document VQA) trong quy trình công việc
Hỗ trợ các trợ lý bán lẻ và thương mại điện tử trả lời câu hỏi 'Áo khoác này có mũ trùm đầu không?' từ một bức ảnh sản phẩm
Hỗ trợ đánh giá hình ảnh y tế hoặc khoa học bằng cách trả lời các câu hỏi có mục tiêu về hình ảnh quét hoặc kính hiển vi
Rủi ro & lan can
Quyền và sự đồng ý về hình ảnh có thể trở thành rủi ro pháp lý nếu nguồn gốc xuất xứ không rõ ràng.
Hiệu suất của mô hình có thể khác nhau tùy theo ánh sáng, nhân khẩu học và môi trường.
Kết quả dương tính giả có thể không được chú ý trừ khi ngưỡng tin cậy được theo dõi.
Lộ trình thực hiện
Xác định tiêu chí chấp nhận về độ chính xác, thu hồi và chi phí lỗi.
Kiểm tra với dữ liệu phù hợp với điều kiện sản xuất thực tế.
Thêm đánh giá của con người đối với những dự đoán có độ tin cậy thấp hoặc tác động cao.
Theo dõi sự trôi dạt của mô hình và xác nhận lại sau khi thay đổi máy ảnh hoặc tập dữ liệu.
Tiếp tục khám phá
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
Hướng dẫn tiếp theo
Trả lời câu hỏi
Câu hỏi thường gặp
What is Visual Question Answering?
Trả lời câu hỏi trực quan (VQA) cho phép hệ thống trả lời các câu hỏi bằng ngôn ngữ tự nhiên dạng tự do về một hình ảnh, chẳng hạn như 'Có bao nhiêu người đang đội mũ?' Nó đòi hỏi sự hiểu biết chung về cả bức tranh và câu hỏi để đưa ra câu trả lời đúng.
Hệ thống Trả lời Câu hỏi Trực quan cần có hai đầu vào nào?
VQA lấy cả hình ảnh và câu hỏi về nó, sau đó đưa ra câu trả lời dựa trên hình ảnh đó.
Tại sao bộ dữ liệu VQA v2.0 được tạo với các câu trả lời 'cân bằng'?
VQA v2.0 ghép các câu hỏi với hình ảnh có câu trả lời khác nhau, buộc các mô hình phải thực sự sử dụng đầu vào trực quan thay vì khai thác số liệu thống kê văn bản.
'Thành kiến ngôn ngữ' trong VQA là gì?
Xu hướng ngôn ngữ là khi một mô hình khai thác số liệu thống kê câu trả lời gắn liền với cụm từ câu hỏi thay vì nhìn vào hình ảnh.
Nhiều mô hình VQA kết hợp hình ảnh và thông tin câu hỏi như thế nào?
Các mô hình VQA mã hóa từng phương thức và kết hợp chúng, thường xuyên sử dụng tính năng chú ý chéo để các từ đặt câu hỏi tập trung vào các vùng hình ảnh có liên quan.
Các hệ thống VQA cổ điển thường đưa ra câu trả lời bằng cách làm gì?
Nhiều mô hình VQA ban đầu coi nhiệm vụ này là phân loại các câu trả lời thường gặp nhất, mặc dù các mô hình hiện đại tạo ra văn bản mở.