——猫戴着什么？
——帽子。
——天气怎么样？
——下雨。
——披萨上面是什么？
——蘑菇。
看图回答这些问题，对我们人类来说再简单不过了，但是要让AI熟练掌握这项技能，还需要探索。
Facebook刚刚为这个领域的探索者们，开源了一个模块化视觉问答框架：Pythia。
事情还要从在弗吉尼亚理工大学和乔治亚理工大学主办的视觉问答（Visual Question Ansering）比赛VQA Challenge说起。
比赛上，Facebook AI研究院（FAIR）队伍，A-STAR拿下了冠军。总成绩72.41分，排名第一，在是否（上图的Yes/No）、其他（Other）两类问题上也排名第一，分别拿下了87.7和63.95分，就是数学（Number）成绩差了点，51.51分，不及格，排在第六。
其他的参赛者，回答“是/否”都答得还算不错，回答数字都不及格，而答案五花八门的其他问题，也在及格线上下徘徊。
夺冠的FAIR观察发现，目前的视觉问答（VQA）模型，无外乎这样几个模块：问题编码、图像特征提取、答案空间分类。
于是，他们就想针对VQA领域，打造一个简单的模块化的模型研发平台，说不定还能顺便用在看图对话上。
建造平台的第一步，就是开源了A-STAR参赛所用模型的基础框架：Pythia，目前版本号v0.1。
为Pythia打下基础的，是2017年VQA Challenge冠军，Peter Anderson等人提出的Bottom-Up and Top-Down Attention模型。
Bottom-Up，指的是这个模型以ResNet-101为基干网络，用了Visual Genome数据集预训练的Faster-RCNN，用自底向上的注意力机制来提取图像特征。
而Top-Down，指的是根据问题（当前任务）来计算图像区域上的注意力分布。
在这个模型的基础上，FAIR团队做了一些调整。
比如说，将up-down模型里的双曲正切激活函数换成权重标准化+ReLU，用Adamax来优化模型，增大学习率。又比如，把bottom-up模型里的目标检测模型换成Detectron里的FPN，还对用到的数据集：Visual Genome、Visual Dialog等都做了数据扩增。
每一个模块的优化，都带来了模型性能的提升。
BTW，Facebook参赛队伍和框架的名字都别有深意。
队伍的名字——A-STAR，跟星星没什么关系，它是意思是能看、说话、行动、推理的智能体（Agents that See, Talk, Act, and Reason）
框架名字Pythia，也就是希腊神话中的皮提亚，德尔菲阿波罗神庙中的女祭司。女祭司的一项重要工作嘛，就是回答问题。
如果你也想搭一个会看图回答问题的模型，收好这份paper：
Pythia v0.1: the Winning Entry to the VQA Challenge 2018
*Yu Jiang, Vivek Natarajan, Xinlei Chen, Marcus Rohrbach, Dhruv Batra, Devi Parikh
https://arxiv.org/pdf/1807.09956.pdf
以及开源代码：
https://github.com/facebookresearch/pythia
为它打下基础的Bottom-Up and Top-Down Attention：
https://github.com/hengyuan-hu/bottom-up-attention-vqa
原文发布时间为：2018-07-29
本文来自云栖社区合作伙伴“量子位”，了解相关信息可以关注“量子位”。
