TCaEx:Targeted Caption as External Knowledge for knowledge-based visual question answering

2025-10-10

0

PRE

AI

DOI：10.1016/j.imavis.2025.105772

原文求助

摘要

En 中文

• 目标图像字幕作为外部知识增强了视觉问答。 • 目标图像字幕精炼知识并最小化无关噪声干扰。 • 双向交互融合网络优化了多模态特征交互。 • 在OK-VQA和VQA 2.0上，准确率分别为47.19%和79.93%。