计算机研究与发展

作者：包翠竹,丁凯,董建锋,杨勋,谢满德,王勋,

关键词：视频问答, 注意力, 记忆网络, 循环神经网络, 图网络模型, 预训练模型,

视频问答(videoquestionanswering，VideoQA)根据视频内容自动回答自然语言问题，是视觉语言领域较为新兴的一个研究方向,近年来引起了广泛关注.VideoQA问题的解决对于人机交互、智慧教育、智能交通、场景分析以及视频检索等各个领域都有着重大意义.VideoQA是一项具有挑战性的任务，因为它需要模型同时理解视频与文本内容来生成问题的答案.首先，分析了VideoQA与图像问答(imagequestionanswering，ImageQA)的区别，总结了当下VideoQA相对于ImageQA所面临的4个挑战；然后，围绕着这些挑战对目前现有VideoQA模型进行了细致的分类，并重点介绍了模型的实现及不同模型之间的关联；接着详细介绍了在VideoQA中常用的基准数据集及目前主流算法在部分数据集上的性能，并进行了对比与分析；最后，讨论了该领域未来面临的挑战和研究趋势，为未来进一步研究提供一些思路.

来源：2024年第3期

《计算机研究与发展》期刊编辑部

查看计算机研究与发展杂志2024年第3期