近日，国际权威机器视觉问答榜单
VQA Leaderboard出现关键突破
阿里巴巴达摩院以81.26%的准确率
创造了新纪录
让AI在“读图会意”上首次超越人类基准
近10年来，AI技术保持高速发展。然而在视觉问答VQA(Visual Question Answering）这一涉及视觉-文本多模态理解的高阶认知任务上，AI始终未取得超越人类水平的突破。
为攻克这一难题而设立的挑战赛VQA Challenge，自2015年起先后于全球计算机视觉顶会ICCV及CVPR举办，形成了国际上规模最大、认可度最高的VQA数据集，其包含超20万张真实照片、110万道考题。
在首届VQA挑战赛上，AI的最高准确率仅能达到55%。今年8月，达摩院以81.26%的准确率创造VQA Leaderboard全球纪录，首次超越人类基准线80.83%。
这是VQA测试以来，AI第一次超过人类水平，是标志性的重大突破。
VQA技术自2015年的进展
01什么是VQA？
自然语言技术与计算机视觉交融，是多模态领域重要的前沿研究方向。其中，VQA是AI领域难度最高的挑战之一，对研发通用AI具有重要意义。
VQA的任务是根据给定图片及自然语言问题，生成正确的自然语言回答。
例如下面这张图，AI先提取了问题关键信息——玩具人；再根据常识做出回答——星球大战。
VQA问题
What movie franchise are the action figures from?（图中玩具人的IP出自哪部电影？）
完成VQA挑战，需要AI从图像中提取与问题相关的信息，包含从细微物体的监测到抽象场景的推理，并基于对视觉、语言和常识性知识的理解做出回答，也就是“读图会意”——通过视觉理解信息，是人类的一项基础能力，但对AI来说却是要求极高的认知任务。
VQA挑战的核心难点也在于此：单个AI模型需融合复杂的计算机视觉及自然语言技术，才能够根据给定的图片以及自然语言问题生成正确的回答。
02 VQA高分背后
为了解决VQA挑战，达摩院对AI视觉-文本推理体系进行了系统性的设计，并融合大量算法创新，针对运算流程进行优化：
提升图片理解能力
测试中，AI需要先对图像信息进行扫描，为提高图片理解能力，达摩院运用了多项创新算法。
多样性视觉特征表示：同时使用Region，Grid，Patch等多样性视觉特征表示，从各方面刻画图片的局部和全局语义信息。
更好地让AI理解图文关联
AI需结合对问题文本的理解，建立图片与文字的关联性：即多模态信息融合。
多模态预训练模型：达摩院提出SemVLP，Grid-VLP，E2E-VLP和Fusion-VLP等预训练模型，用于进行多模态信息融合和语义映射。
自适应的跨模态语义融合和对齐技术：为使这一融合更加高效，研发自适应的跨模态语义融合和对齐技术，在预训练模型中，加入了Learning to Attend机制。
其中自研的多模态预训练模型E2E-VLP，StructuralLM已被国际顶级会议ACL2021接受。
相关论文：
1.E2E-VLP: End-to-End Vision-Language Pre-training Enhanced by Visual Learning, ACL2021
2.A Structural Pre-trained Model for Table and Form Understanding, ACL 2021
3.SemVLP: Vision-Language Pre-training by Aligning Semantics at Multiple Levels
让AI更有常识
在图文融合基础上，为AI增加更多常识性内容，提高对图片和文本的理解推理能力。
知识驱动的多技能AI集成：采用Mixture of Experts (MOE)技术进行知识驱动的多技能AI集成，类似于为AI增加计数、读钟表等生活技能，以及百科知识等“人类常识”。
03 VQA的未来
VQA技术拥有广阔的应用场景，可用于图文阅读、跨模态搜索、盲人视觉问答、医疗问诊、智能驾驶等领域，或将变革人机交互方式。
目前，VQA技术已在阿里内部应用于智能客服、直播视频交互、跨模态搜索等场景。
例如部分淘宝天猫商家的店小蜜客服开通了VQA视觉问答功能：一般商品详情海报上包含了大量有价值的商品信息，当消费者对商品进行提问时，AI客服可通过理解、检索商品海报进行回答，如裁切一张小图作为答案。
这既能够快速帮助消费者解决疑问，也能为卖家节省了大量配置成本。盒马、考拉的客服场景，闲鱼的图文同款匹配场景也接入了VQA能力。
未来，当VQA技术在电商领域成熟运用后，还将被推广至医疗问诊等更广泛的社会应用领域。