基于 OCR 模态扰动的场景文本视觉问答对抗训练
原文约300字，阅读约需1分钟。发表于：。本研究提出了一种多模态的对抗训练架构，其中引入了对抗性 OCR 增强（AOE）模块和空间感知自注意力（SASA）机制，旨在改善场景文本视觉问答的性能，并为多模态对抗训练提供了新的方法。
ICDAR 2019场景文本视觉问答比赛的结果和新数据集，包括23038张图像和31791个文本实例答案。比赛共有3个任务，提出了一种新的评估度量标准，用于评估文本识别和图像理解能力。结果分析提供了VQA系统当前的能力洞见。该数据集标志着实现全面图像理解的重要里程碑。
