选择性视觉是视觉推理的挑战：视觉论证理解的基准测试

本文提出了一种新的推理框架来填补VQA任务中视觉特征和语义线索之间的语义鸿沟，实现了特征和谓词的有效联合学习，并在三个大规模数据集上实现了其他最先进方法无法比拟的准确度，同时还提供了一种可解释的方式来理解深度神经网络在预测答案时的决策。