本文针对视觉问答任务进行综述，比较传统的视觉元素和常识知识融合的方法。并对数据集进行了评估，结合Visual Genome数据集中的图像结构注释研究了不同复杂度的问答对。最后讨论了未来发展方向，重点关注结构化知识库和自然语言处理模型的连接。
Jul, 2016
本文提出了一种名为VQS的方法，将COCO数据集的实例分割与VQA数据集的问答进行连接，从而为视觉和语言建模提供更多有效的支持，包括VQA的监督式关注和一种新的基于问题的语义分割任务。
Aug, 2017
本文介绍了一种利用自然语言提问并结合卷积神经网络（CNN）和循环神经网络（RNN）用于从遥感数据中提取高层信息的方法。使用OpenStreetMap（OSM）查询，构建了两个包含图像/问题/答案三元组的数据集，并使用这些数据集培训和评估了模型，实现了遥感图像问答任务。
Mar, 2020
该论文研究了三种不同的融合方法在远程遥感领域的视觉问答中的应用，并分析了与模型复杂度相关的精度提高。结果表明，采用更复杂的融合机制可以提高性能，但在实践中寻求模型复杂度和性能之间的平衡是值得的。
Sep, 2021
该文提出了一种多模态变压器架构，名为VBFusion，用于弥补当前VQA系统融合模态间表示不足的问题，并通过对Sentinel-2 图像进行多波段的研究使得其具备更强的描述远程感应图像内容的能力。
Oct, 2022
本文提出了一种基于对抗学习的策略，使用增强的数据集来提高遥感视觉问题回答模型的鲁棒性，并在低分辨率数据集上取得良好的表现。
Apr, 2023
本研究提出了一种新的框架来减少Visual Question Answering系统中的语言偏差，具体地，在原VQA框架中添加了对抗分支和两个正则化器以限制训练过程中的语言偏差，并提出了一种新的性能度量方法来评估语言偏差，实验结果表明该方法简单有效。
Jun, 2023
本文提出了一种基于Transformer轻量级架构的遥感视觉问答方法，名为LiT-4-RSVQA，旨在有效且准确地回答针对遥感图像的自然语言问题，实验结果表明本方法可以显著减少计算资源使用并提供准确的VQA结果。
本研究提出了一种基于跨注意力的信息最大化的方法，结合CNN-LSTM，并在两个不同分辨率的VQA遥感数据集上评估表现，获得了较高的准确率。
遥感视觉问答（RSVQA）是通过自然语言实现人机交互，利用航空图像为大众提供了新的机会。然而，RSVQA中的语言偏见问题往往被忽视，而这会影响模型的健壮性并导致关于模型表现的错误结论。因此，本研究旨在通过视觉盲模型、对抗性测试和数据集分析三个方面来凸显RSVQA中的语言偏见问题，并提出更具信息量和互补性的评估指标，力求透明地传达未来RSVQA方法的结果。
Nov, 2023