VQA（视觉问答）

VQA任务要求模型同时理解图像和问题，并生成答案。早期方法使用CNN提取图像特征，LSTM编码问题，然后融合预测答案。随着Transformer发展，多模态预训练模型如LXMERT、ViLBERT通过跨模态注意力实现更好融合。VQA评估指标为准确率，但存在语言偏见问题，VQA v2通过平衡答案分布缓解。