VQA에 그 질문에 대한 답이 왜인지 설명하는 데이터셋 VQA-X를 수집.
우측의 MPII Human Pose (MHP) dataset은 사진에서 사람이 어떤 pose를 하고 있는지에 대한 데이터셋인데, 역시 이 또한 주변의 사물, 사람들에 많이 의존하므로 이에대한 줄글 설명을 추가한 ACT-X를 수집. (c.f. 최근에 CLEVR-X도 추가됨)
여기에 추가적으로 이미지 내에서 그 근거를 찾은 label을 ground truth for pointing
이러한 데이터셋 image, query에 대한 답변과 explanation을 제시하는 Pointing and Justification Explanation (PJ-X) 모델을 제안.
results
idea
이러한 explanation은 반대로 few-shot에서 explanation으로도 쓸 수 있을듯.
DocVQA에 대해 이런 데이터셋을 구축하면 어떨까?
Q : "깍두기의 가격?" A : "500원" X: "같은 row에 있기 때문에"
VQA에 그 질문에 대한 답이 왜인지 설명하는 데이터셋 VQA-X를 수집.
우측의 MPII Human Pose (MHP) dataset은 사진에서 사람이 어떤 pose를 하고 있는지에 대한 데이터셋인데, 역시 이 또한 주변의 사물, 사람들에 많이 의존하므로 이에대한 줄글 설명을 추가한 ACT-X를 수집. (c.f. 최근에 CLEVR-X도 추가됨)
이러한 데이터셋 image, query에 대한 답변과 explanation을 제시하는 Pointing and Justification Explanation (PJ-X) 모델을 제안.![image](https://user-images.githubusercontent.com/46675408/161917316-d95e3544-5242-4bdb-ad30-98eee2e5b89f.png)
results![image](https://user-images.githubusercontent.com/46675408/161919249-22dea948-70bf-4d39-9d02-13e89c48ed08.png)
idea
related papers