【文章阅读visual granding】GuessWhat?! Visual object discovery through multi-modal dialogue

一、文章主要有两个贡献点       1、建立了基于对话的visual granding数据集       2、给出了基于深度学习的baseline model 二、数据集 这是数据集中的两个例子，可以发现每一张图有一个instance级别的标注，并且对应若干个问答形式的描述！任务的目的在于通过这些问答形式的描述，自动的确定所描述的目标物体是谁！ 三、基础模型 从图中可以发现，模型的结构还是比较简

>>阅读原文<<