QR kód

Multi-Modal Explicit Sparse Attention Networks for Visual Question Answering

Visual question answering (VQA) is a multi-modal task involving natural language processing (NLP) and computer vision (CV), which requires models to understand of both visual information and textual information simultaneously to predict the correct answer for the input visual image and textual quest...

Celý popis

Uloženo v:
Podrobná bibliografie
Hlavní autoři: Zihan Guo, Dezhi Han
Médium: Artigo
Jazyk:Inglês
Vydáno: MDPI AG 2020-11-01
Edice:Sensors
Témata:
On-line přístup:https://www.mdpi.com/1424-8220/20/23/6758
Tagy: Přidat tag
Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!