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
版权声明：本文为Friedrichor原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。