Video Question Answering via Hierarchical Spatio-Temporal Attention Networks

1. どんなもの？

VQA(Video Question Answering)の研究． 質問に関連する重要な動画フレームの連続を学習するHierachical Spatio-Temporal Attention Networksを提案．

2. 先行研究と比べてどこがすごいの？

先行研究では画像と質問文のペアから回答を生成するVisual Question Answeringの研究が主であるが，本研究では動画と質問文のペアから回答を生成する手法を提案． 動画フレームの連続性を考慮するために，Hierachical Spatio-Temporal Attention Networksを提案している．

3. 技術や手法の"キモ"はどこにある？

spatio-temporal attention network learning framework

4. どうやって有効だと検証した？

5. 議論はあるか？

6. 次に読むべき論文はあるか？

論文情報・リンク

-Zhou Zhao, Qifan Yang, Deng Cai, Xiaofei He and Yueting Zhuang. Video Question Answering via Hierarchical Spatio-Temporal Attention Networks. Proceedings of the Twenty-Sixth International Joint Conference on Artificial Intelligence.

• Li Yao, Atousa Torabi, Kyunghyun Cho, Nicolas Ballas, Christopher Pal, Hugo Larochelle, and Aaron Courville. Describing videos by exploiting temporal structure. In ICCV, pages 4507–4515, 2015.
• 著者，"タイトル，" ジャーナル名，voluem，no.，ページ，年

Articles connexes

Thu 02 August 2018

Stacked Attention Networks for Image Question Answering

Mon 23 July 2018

Bottom-Up and Top-Down Attention for Image Captioning and Visual Question Answering